/ Модель

Характеристики

Контекст
1 100 токенов
Параметры
595 млн
Лицензия
Apache 2.0
Архитектура
t5 · dense
Базовая модель
byt5-mitra-bo
Опубликована
24 сен 2026

byt5-mitra-bo-tagger

Генерация текстаТекст → текст3 профессии

Модель размечает классический тибетский текст в транслитерации Wylie, сегментируя предложения и слова, присваивая частям речи теги и выделяя санскритские единицы.

302скачиваний за 30 дней0лайковвеса обновлены24 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

byt5-mitra-bo-tagger — модель Buddhist NLP для автоматической разметки классического тибетского текста в транслитерации Wylie. Это дообученная версия buddhist-nlp/byt5-mitra-bo: байтовая модель последовательность-в-последовательность семейства T5 с 595,1 млн параметров, обученная примерно на 5 тысячах предложений и коротких отрывков из параллельного санскритско-тибетского корпуса проекта Dharmamitra.

Модель принимает необработанный текст Wylie и выдаёт сегментацию предложений и слов, грубую часть речи для каждого слова, а также скобки вокруг тибетских последовательностей, соответствующих одному санскритскому слову или сложению. Она предназначена для подготовки и анализа классических буддийских переводных текстов. В README приведены метрики на выборке из 100 примеров: F1 границ слов 0,959, точность POS 0,914 и F1 сегментации предложений 0,914.

Обучение проводилось на канонической переводной литературе Кангьюра и Тенгьюра с санскритскими параллелями, поэтому другие регистры не проверены. Разметка санскритских единиц наиболее шумная; на длинных или необычных фрагментах модель может пропускать или изменять слоги, поэтому результат следует сверять с исходным текстом. Лицензия — Apache-2.0.

Сценарии применения

  • сегментация классического тибетского текста на предложения
  • разделение тибетского текста Wylie на словарные лексемы
  • автоматическая разметка частей речи в классическом тибетском
  • выделение тибетских слов, соответствующих санскритским словам и сложениям
  • подготовка канонических буддийских переводных текстов к корпусному анализу

Ограничения

Обучение охватывало каноническую переводную литературу Кангьюра и Тенгьюра, а другие регистры не проверены; разметка санскритских единиц наиболее шумная. На длинных или необычных фрагментах модель может пропускать или изменять слоги, поэтому выход нужно сверять с исходником.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

byt5-mitra-bo-tagger

A byte-level seq2seq tagger for Classical Tibetan in Wylie transliteration. Given a block of raw Wylie it returns, in one terse string:

  1. sentence segmentation (one sentence per line),
  2. dictionary-lexeme word segmentation
  3. a coarse part of speech for every word (noun / verb / verbal noun / adjective / particle …), and
  4. Sanskrit-unit brackets: runs of Tibetan words that render one Sanskrit word or compound ([chos/N kyi/C rgyal_po/N] = dharmarāja).

It is a fine-tune of buddhist-nlp/byt5-mitra-bo (ByT5 continued-pretrained on Tibetan Wylie) on ~5k sentences and short paragraphs from the Sanskrit–Tibetan parallel corpus of the Dharmamitra project.

Output scheme

elementencodingexample
sentenceone per line
wordsyllables joined by _byang_chub_sems_dpa'/N
affix written attached in the input ('i, r, s, 'o, 'am …)own token with leading +dpa'i → dpa'/N +'i/C
part of speech/ + one lettersee below
Sanskrit unit[ … ] around the words rendering one Sanskrit word/compound[chos/N kyi/C rgyal_po/N]
shad|/p (single), ||/p (double)

POS letters: N noun · P proper noun · V verb (finite / predicate stem) · G verbal noun · J adjective · A adverb / fixed adverbial · M numeral · R pronoun · D determiner (demonstrative, plural, indefinite) · X negation · C case particle · K clause particle (after verbs) · L clitic / final particle · I interjection · p punctuation.

input : de nas tshe dang ldan pa kun dga' bos bcom ldan 'das la 'di skad ces gsol to/ /
output: de_nas/A [tshe_dang_ldan_pa/J] [kun_dga'_bo/P] +s/C [bcom_ldan_'das/N] la/C 'di_skad/A ces/L [gsol/V] to/L ||/p

Usage

from transformers import ByT5Tokenizer, AutoModelForSeq2SeqLM
tok = ByT5Tokenizer.from_pretrained("buddhist-nlp/byt5-mitra-bo-tagger")
model = AutoModelForSeq2SeqLM.from_pretrained("buddhist-nlp/byt5-mitra-bo-tagger")
x = tok(["de nas tshe dang ldan pa kun dga' bos bcom ldan 'das la 'di skad ces gsol to/ /"], return_tensors="pt")
print(tok.decode(model.generate(**x, max_new_tokens=1100)[0], skip_special_tokens=True))

A CTranslate2 int8 conversion is in ctranslate2-int8/ (same outputs within noise, ~30 sentences/s on one GPU):

import ctranslate2, transformers
tok = transformers.ByT5Tokenizer.from_pretrained("buddhist-nlp/byt5-mitra-bo-tagger")
tr = ctranslate2.Translator("<local path>/ctranslate2-int8", device="cuda", compute_type="int8_float16")
toks = [tok.convert_ids_to_tokens(tok(s)["input_ids"]) for s in texts]
out = tr.translate_batch(toks, max_decoding_length=1100, beam_size=1)

Inputs: Wylie (EWTS) as found in ACIP / DharmaNexus e-texts, up to ~700 characters per call (one sentence to a short paragraph). Outputs are at most ~1,000 characters.

Evaluation

Held-out 100 items:

modelvalid outputword boundary F1POS accverb/noun accsentence F1Sanskrit-unit F1
byt5-mitra-bo-tagger (this model, 10 epochs).90.959.914.914.914.663
Qwen3.5-9B mitra base, same data1.00.962.942.909.891.687

Limitations

  • Trained on canonical translation literature (Kangyur / Tengyur texts with Sanskrit parallels); other registers are untested.
  • The Sanskrit-unit layer is the noisiest: the training references bracket units inconsistently.
  • The model can drop or alter a syllable in long or unusual spans; always validate that the output reproduces the input and fall back to a retry.
  • Tense classes of verbs are not annotated (only the coarse V / G / N distinction).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
dfcaaa8

0 моделей