/ Модель

Характеристики

Лицензия
MIT
Опубликована
22 сен 2026

chagatai-sentence-segmentation

Разметка токеновТекст → label

Набор ONNX-моделей находит границы предложений в классических чагатайских текстах без современной пунктуации.

0скачиваний за 30 дней0лайковвеса обновлены29 сен 2026

Бенчмарки

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

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

Chagatai Sentence Boundary Detection — набор нейросетевых моделей проекта Chagatai Project для поиска границ предложений в классическом чагатайском языке, записанном персо-арабским письмом. Модели основаны на архитектурах токенизации Stanza с символьными языковыми моделями CharLM и BiLSTM; некоторые варианты объединяют три модели методом усреднения вероятностей. Репозиторий содержит ONNX-файлы, включая динамически квантованные варианты INT8, которые можно запускать через onnxruntime без PyTorch и Stanza.

Модель предназначена для сегментации исторических текстов, в которых нет современной пунктуации. Это предварительный этап для подготовки корпусов, лингвистического анализа и последующих задач обработки языка. В README приведена оценка на отложенном наборе из 295 абзацев: у варианта Tri-Hybrid INT8 F1 составляет 74,71%, а точное совпадение сегментации целого абзаца — 27,12%; результаты показывают практическую применимость, но и заметную вероятность ошибок.

Модели обучены на чагатайских текстах, а часть вариантов также использует данные южного узбекского и уйгурского языков. Репозиторий распространяется по лицензии MIT. Карточка не приводит общего размера параметров или длины контекста.

Сценарии применения

  • сегментация предложений в «Бабур-наме» и других классических текстах
  • подготовка чагатайских корпусов для лингвистического анализа
  • разбиение исторических текстов на предложения перед синтаксическим разбором
  • подготовка сегментированного текста для машинного перевода
  • подготовка текстов для обучения языковых моделей

Ограничения

На отложенном тесте F1 варианта Tri-Hybrid INT8 составляет 74,71%, а точное совпадение сегментации всего абзаца — 27,12%, поэтому границы могут требовать проверки. Оценка проведена на чагатайских текстах; качество на других языках или типах текстов не установлено.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Chagatai Sentence Boundary Detection (SBD) [Stanza Models]

Neural Sentence Boundary Detection (SBD) models for Chagatai (Chaghatay / جغتای), a classical Turkic literary language written in Perso-Arabic script, based on the Stanford Stanza tokenization and Character Language Model (CharLM) architecture.

Classical Chagatai texts (e.g., Babur's Baburnama, Navoi's works) were written without modern punctuation (no periods, question marks, or exclamation marks). Robust sentence boundary detection is the primary prerequisite for subsequent NLP tasks: dependency parsing, machine translation, corpus analysis, and LLM pre-training.

All models are compiled into single, self-contained ONNX files with in-graph soft-voting ensembles and dynamic quantization, requiring zero PyTorch or Stanza dependencies at inference time.


📊 Benchmark & Evaluation Results

Evaluated on the out-of-sample Chagatai test set (295 paragraphs, 71,673 character tokens, 868 true sentence boundaries):

ModelTypeTraining DatasetFormatSizeF1PrecisionRecallExact MatchKey Benefit
Tri-Hybrid [Stanza]Ensemble (3 models)Chagatai + Uyghur + S. Uzbek (balanced + only)FP3253.3 MB74.80%79.95%70.28%27.46% (81/295)Best F1 & Precision (lowest false positives)
Tri-Hybrid [Stanza]Ensemble (3 models)Chagatai + Uyghur + S. Uzbek (balanced + only)INT813.5 MB74.71%79.74%70.28%27.12% (80/295)~4x compressed, loss of only 0.09% F1
BiCharLM [Stanza]Ensemble (3 models)Chagatai + Uyghur + S. Uzbek (balanced + CharLM)FP3282.8 MB74.59%79.17%70.51%27.80% (82/295)Highest Exact Match record
BiCharLM [Stanza]Ensemble (3 models)Chagatai + Uyghur + S. Uzbek (balanced + CharLM)INT826.0 MB74.42%78.94%70.39%27.80% (82/295)3.2x compressed, 100% EM preserved
Standalone [Stanza]Single ModelChagatai + Uyghur + S. Uzbek (balanced + CharLM)FP3229.2 MB71.94%71.09%72.81%22.37% (66/295)Fastest single model (no ensemble)
  • Exact Match (EM): percentage of full paragraphs (2 to 5 sentences each) segmented with 100% precision and recall (zero errors).
  • Zero Leakage: All hyperparameter tuning and threshold selection (tau) were performed strictly on the Dev set (145 samples); Test set (295 samples) was strictly held out.

🧩 Ensemble Composition, Architectures & Datasets

Each ONNX artifact bundles its entire multi-model pipeline into a single execution graph:

1. Tri-Hybrid Ensemble (chagatai_sbd_tri_hybrid_stanza.onnx / INT8)

  • Ensemble Strategy: Soft-voting probability averaging across 3 complementary inductive biases with equal weights [1/3, 1/3, 1/3] and calibrated threshold tau = 0.42.
  • Sub-model 1: FwdCharLM_Wide3
    • Dataset: chagatai_uzs_uyghur_balanced (train split: Chagatai + South Uzbek + Uyghur) + unannotated Chagatai text for CharLM.
    • Architecture: 1-layer Forward CharLM (512-dim LSTM) + 3-layer BiLSTM (hidden_dim=256, effective 512-dim) + 5 character features + Hierarchical BiLSTM second-pass.
    • Role: Contextual character representations to minimize false positives and maximize Precision.
  • Sub-model 2: Only_Deep2
    • Dataset: chagatai_only (pure historical Chagatai corpus without modern cross-lingual mixing).
    • Architecture: 2-layer BiLSTM (hidden_dim=128) + 5 character features + Hierarchical BiLSTM.
    • Role: In-domain grammatical purity, capturing Chagatai-specific syntactic structures.
  • Sub-model 3: Weighted_Balanced
    • Dataset: chagatai_uzs_uyghur_balanced.
    • Architecture: 3-layer BiLSTM (hidden_dim=256) + Weighted Cross-Entropy Loss (pos_weight = 4.0) + Hierarchical BiLSTM.
    • Role: High-recall sensitivity to prevent missed sentence boundaries.

2. BiCharLM Super-Ensemble (chagatai_sbd_bicharlm_em_stanza.onnx / INT8)

  • Ensemble Strategy: Soft-voting with bidirectional character language modeling, equal weights [1/3, 1/3, 1/3], calibrated threshold tau = 0.43.
  • Sub-model 1: FwdCharLM_Wide3
    • Dataset: chagatai_uzs_uyghur_balanced + unannotated Chagatai CharLM text.
    • Architecture: Forward CharLM (512-dim) + 3-layer BiLSTM (hidden_dim=256) + Hierarchical BiLSTM.
  • Sub-model 2: Weighted_Balanced
    • Dataset: chagatai_uzs_uyghur_balanced.
    • Architecture: 3-layer BiLSTM (hidden_dim=256) + Weighted Loss (pos_weight = 4.0).
  • Sub-model 3: BiCharLM_Weighted
    • Dataset: chagatai_uzs_uyghur_balanced + unannotated Chagatai CharLM text.
    • Architecture: Forward CharLM (512-dim) + Backward CharLM (512-dim) = 1024-dim bidirectional contextual character representation + 3-layer BiLSTM (hidden_dim=256) + Weighted Loss (pos_weight = 4.0) + Hierarchical BiLSTM.
    • Role: Backward CharLM resolves trailing ambiguities at paragraph boundaries, achieving the all-time project record for Exact Match: 27.80% (82/295 full paragraphs segmented with zero errors).

3. Standalone Single Model (chagatai_sbd_fwd_charlm_stanza.onnx)

  • Type: Single model (No ensemble overhead).
  • Dataset: chagatai_uzs_uyghur_balanced + unannotated Chagatai CharLM text.
  • Architecture: 1-layer Forward CharLM (512-dim LSTM) + 3-layer BiLSTM (hidden_dim=256) + 5 character features + Hierarchical BiLSTM, threshold tau = 0.24.
  • Role: Lightweight, fast inference (29.2 MB) with high Recall (72.81%).

📚 Training Datasets Overview

The models were trained on the unified dataset builds from the Chagatai Sentence Segmentation project:

  1. chagatai_only:
    • Cleaned, deduplicated historical Chagatai texts.
    • Preserves classical literary syntax and archaic morphology.
    • Strict 70/10/20 train/dev/test split with zero out-of-sample data leakage.
  2. chagatai_uzs_uyghur_balanced:
    • Cross-lingual transfer learning dataset combining Chagatai training sentences with equal parts South Uzbek (uzs) and Uyghur (uyg).
    • Balances rare Arabic-script characters and sub-word n-grams without skewing the target Chagatai evaluation distribution (Dev and Test sets contain 100% Chagatai text).
  3. CharLM Unsupervised Corpus:
    • Historical Chagatai corpus used to pre-train Forward (512-dim) and Backward (512-dim) Character Language Models.
    • Enables sub-word morphological understanding without requiring fixed tokenization dictionaries.

📦 Model Files & Recommended Thresholds

FileTypeFormatSizeThresholdRecommended For
chagatai_sbd_tri_hybrid_stanza.onnxEnsemble (3 models)FP3253.3 MBtau = 0.42Highest F1 score and precision
chagatai_sbd_tri_hybrid_stanza_int8.onnxEnsemble (3 models)INT813.5 MBtau = 0.42Ultra-lightweight production deployment (~4x smaller)
chagatai_sbd_bicharlm_em_stanza.onnxEnsemble (3 models)FP3282.8 MBtau = 0.43Highest paragraph-level exact match (27.80%)
chagatai_sbd_bicharlm_em_stanza_int8.onnxEnsemble (3 models)INT826.0 MBtau = 0.43Compact exact-match ensemble (3.2x smaller)
chagatai_sbd_fwd_charlm_stanza.onnxSingle ModelFP3229.2 MBtau = 0.24Maximum throughput (single model)
vocab.jsonVocabularyJSON2.4 KB—80-unit Perso-Arabic character mapping
inference.pyEnginePython5.2 KB—Zero-dependency standalone inference script

🚀 Quickstart (Zero-Dependency Python Inference)

No PyTorch, Transformers, or Stanza required. All you need is onnxruntime and numpy:

pip install onnxruntime numpy huggingface_hub

Segmentation Example

from huggingface_hub import hf_hub_download
import importlib.util

REPO = "chagatai-project/chagatai-sentence-segmentation"

# 1. Download model, vocabulary, and inference script (using lightweight 13.5 MB INT8 model)
model_path = hf_hub_download(repo_id=REPO, filename="chagatai_sbd_tri_hybrid_stanza_int8.onnx")
vocab_path = hf_hub_download(repo_id=REPO, filename="vocab.json")
code_path = hf_hub_download(repo_id=REPO, filename="inference.py")

# 2. Load inference engine
spec = importlib.util.spec_from_file_location("inference", code_path)
inf = importlib.util.module_from_spec(spec)
spec.loader.exec_module(inf)

# 3. Initialize detector
sbd = inf.ChagataiSBD(model_path=model_path, vocab_path=vocab_path)

# 4. Segment historical Chagatai text (Baburnama)
text = "سلطان ابوسعید میرزا شهادت تاپقاندین سونگ سمرقند ولایتینی میرزا احمد آلدی و هرات ولایتینی سلطان حسین میرزا ضبط قیلدی و اندیجان ولایتینی عمرشیخ میرزا توتتی"

sentences = sbd.segment(text)
for idx, sent in enumerate(sentences, 1):
    print(f"[{idx}] {sent}")

Output:

[1] سلطان ابوسعید میرزا شهادت تاپقاندین سونگ سمرقند ولایتینی میرزا احمد آلدی
[2] و هرات ولایتینی سلطان حسین میرزا ضبط قیلدی
[3] و اندیجان ولایتینی عمرشیخ میرزا توتتی

📖 Sources and Citation

If you use these models or datasets in your research, please cite the underlying sources:

  • Chagatai (chg): Original historical texts sourced from KazCorpus / QazCorpora (National Corpus of the Kazakh Language), containing the manuscript Shajara-i Turk (Genealogy of the Turks) by Abu al-Ghazi Bahadur Khan (17th c.).
  • South Uzbek (uzs): Auxiliary data sourced from the Hugging Face dataset tahrirchi/lutfiy (Tahrirchi, "Filling the Gap for Uzbek: Creating Translation Resources for Southern Uzbek", arXiv:2508.14586).

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
aaba3ec

0 моделей