/ Модель

Характеристики

Контекст
262 144 токена
Параметры
7,2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-9B
Библиотека
transformers
Опубликована
29 сен 2026

mitra-bo-zh-tagger

Генерация текстаТекст → текст3 профессии

Модель MITRA на базе Qwen3.5 размечает классические тибетские и буддийские китайские тексты, выполняя сегментацию, морфосинтаксическую разметку и восстановление китайской пунктуации.

267скачиваний за 30 дней0лайковвеса обновлены29 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

Mitra Bo-Zh Tagger — модель проекта MITRA на архитектуре Qwen3.5, дообученная для лингвистической разметки классического тибетского текста в транслитерации Wylie и буддийского китайского. Она обрабатывает текст одним проходом: делит его на предложения и слова, присваивает словам укрупнённые части речи, отмечает группы слов, соответствующие санскритским лексемам или составным словам, а для китайского восстанавливает пунктуацию. Вывод оформляется в заданной текстовой схеме с тегами частей речи и границами санскритских единиц.

Модель содержит 7,2 млрд параметров, принимает текстовый запрос без шаблона чата и имеет контекст длиной до 262 144 токенов. Однако обучающие примеры рассчитаны на фрагменты длиной примерно до 1 000 символов Wylie для тибетского и до 200 символов для китайского; более длинные тексты рекомендуется разбивать на части. В тестах README сообщает F1 границ слов 0,95 для тибетского и 0,94 для китайского, точность частей речи 0,94 для обоих языков и F1 границ предложений 0,87 и 0,81 соответственно. Разметка санскритских единиц слабее остальных компонентов.

Модель создана проектом MITRA на основе этапа 2 Qwen3.5-9B проекта MITRA, который продолжительно обучался на буддийских текстах на санскрите, тибетском и китайском языках, а также параллельных данных. Распространяется по лицензии Apache-2.0. Проверочные данные небольшие, а эталонные аннотации были исправлены моделью и не прошли проверку человеком; качество может снижаться на небуддийских регистрах классического китайского и тибетского.

Сценарии применения

  • сегментация тибетского текста в транслитерации Wylie на слова и предложения
  • разметка частей речи в классических тибетских текстах
  • сегментация буддийского китайского текста на слова и предложения
  • разметка частей речи в классическом китайском
  • восстановление пунктуации в неразмеченном китайском тексте
  • выделение групп слов, соответствующих санскритским лексемам и составным словам

Ограничения

Оценка основана на небольшом тестовом наборе, а эталонные аннотации исправлялись моделью и не проверялись людьми; выделение санскритских единиц — наиболее слабый компонент. На небуддийских регистрах классического китайского и тибетского качество снижается, а длинные тексты следует предварительно разбивать на фрагменты подходящей длины.

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

mitra-bo-zh-tagger

A 9B-parameter model that turns raw classical Tibetan (Wylie) or raw, unpunctuated Buddhist Chinese into a full linguistic annotation in one pass:

  • sentence segmentation (one sentence per output line),
  • word segmentation at the dictionary-lexeme level (Tibetan) / Sanskrit-lemma level (Chinese),
  • a coarse part of speech on every word,
  • the words that together render one Sanskrit word or compound, bracketed (Chinese: with compound type),
  • for Chinese, punctuation restored (。,、:;?! and quotation marks).

The model was trained by the MITRA project on top of the MITRA Qwen3.5-9B stage-2 base (Qwen3.5 architecture, continued pretraining on Buddhist Sanskrit, Tibetan, Chinese and parallel data). The convenient way to use it is the Python package dharmamitra/mitra-bo-zh-tagger, which handles chunking, Unicode/Wylie conversion, validation and conversion into structured records.

Input / output

Plain-text prompt (no chat template). The instruction line is fixed and must be given verbatim; the package's mitra_tagger.prompts module contains both strings.

<instruction>
TIBETAN: 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
<instruction>
CHINESE: 爾時世尊告諸比丘汝等當知一切諸法皆悉無常苦空無我若能如是觀者則得解脫
OUTPUT:
爾/R 時/N 世尊/N 告/V 諸/L 比丘/N :/p 「/p 汝/R 等/L 當/X 知/V ,/p [一切/N 諸/L 法/N]=K 皆/A 悉/A 無常/J 、/p 苦/J 、/p 空/J 、/p [無/V 我/R]=B 。/p
若/S 能/X 如/V 是/R 觀/V 者/L ,/p 則/K 得/X 解脫/V 。/p 」/p

Format: tokens WORD/POS, punctuation MARK/p, Sanskrit units [ ... ]. Tibetan syllables of one word are joined with _; an affix written attached in the input ('i, s, r, 'o, 'am, 'ang) becomes its own token +affix; shad runs become |/p or ||/p. Chinese units carry =T tatpuruṣa, =K karmadhāraya, =D dvandva, =B bahuvrīhi, =A avyayībhāva, =O other.

Tibetan tags: N noun, P proper noun, V verb, G verbal noun, J adjective, A adverb, M numeral, R pronoun, D determiner/demonstrative/plural, X negation, C case particle, K clause particle, L clitic or final particle, I interjection, p punctuation. Chinese tags: N noun, P proper noun, V verb, J adjective, A adverb, R pronoun, M numeral, X auxiliary, C adposition, K coordinating conjunction, S subordinating conjunction, L particle, I interjection, p punctuation.

Input limits used in training: Tibetan sentences and paragraphs of a few sentences (targets up to ~1,000 characters of Wylie); Chinese windows of up to 200 characters. Longer texts should be chunked accordingly.

Quick start

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

m = "buddhist-nlp/mitra-bo-zh-tagger"
tok = AutoTokenizer.from_pretrained(m)
model = AutoModelForCausalLM.from_pretrained(m, dtype=torch.bfloat16, device_map="auto").eval()

from mitra_tagger.prompts import build_prompt   # pip install git+https://github.com/dharmamitra/mitra-bo-zh-tagger
prompt = build_prompt("若能如是觀者則得解脫", "zh")
ids = tok(prompt, return_tensors="pt").to(model.device)
out = model.generate(**ids, max_new_tokens=1024, do_sample=False)
print(tok.decode(out[0, ids["input_ids"].shape[1]:], skip_special_tokens=True))

Or simply pip install git+https://github.com/dharmamitra/mitra-bo-zh-tagger and mitra-tag --lang zh file.txt. Runs on CUDA (bfloat16, ~19 GB), Apple Silicon (float16 via MPS, 24 GB+ unified memory) and CPU.

Quality

Held-out test set, 100 items per language, against Gemini-corrected gold annotations:

TibetanChinese
Word boundary F10.950.94
POS accuracy (matched words)0.940.94
Sentence boundary F10.870.81
Punctuation position F1–0.79
Sanskrit unit / compound F10.650.52
Output reproduces input99%86%

Sanskrit-unit bracketing is the weakest layer (mostly under-marking). Chinese round-trip failures on 200-character windows are single-character slips; sentence-level input is more robust.

Limitations

The gold data is model-corrected, not human-checked. The model has seen Buddhist canonical text only; other registers of classical Chinese or Tibetan will degrade.

Citation

Please refer to the Dharmamitra project and this model card when using the tagger. Publication under preperation!

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForCausalLM
Ревизия весов
379be82

0 моделей