/ Модель

Характеристики

Контекст
131 072 токена
Параметры
847 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
MiniCPM5-1B
Библиотека
transformers
Опубликована
27 июл 2026

MiniCPM5-1B-Twi

Генерация текстаТекст → текст3 профессии

Дообученная MiniCPM5-1B для беглых ответов и диалогов преимущественно на тви (акане), с сохранением английского.

64скачиваний за 30 дней0лайковвеса обновлены27 июл 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

MiniCPM5-1B-Twi — модель сообщества GhanaNLPCommunity, адаптированная для генерации на языке тви (акан) на основе openbmb/MiniCPM5-1B. Она предназначена для связных ответов и диалогов на тви, включая вопросы и ответы по коротким фактам и текстовым фрагментам. Модель использует плотную Llama-архитектуру и содержит 846,8 млн параметров; доступна в формате safetensors и рассчитана на контекст до 131 072 токенов. Основной язык — тви с сохранённой поддержкой английского. Для тви расширили токенизатор, затем провели дополнительное предобучение и дообучение на примерах вопросов и ответов.

Сильная сторона модели — беглая, идиоматичная генерация на тви с корректной орфографией ганских букв ɛ и ɔ. Это экспериментальная версия, ориентированная прежде всего на беглость: фактические ответы могут быть неверными, длинные ответы могут отклоняться от темы, а навыки рассуждения и математики слабы. При генерации следует использовать sampling и штраф за повторы; жадное декодирование может приводить к циклам повторения. В обучающих данных были машинные переводы, поэтому возможен неестественный стиль перевода. Лицензия — Apache-2.0.

Сценарии применения

  • генерация ответов на вопросы на тви
  • диалоговый помощник для носителей тви
  • ответы по предоставленным текстовым фрагментам на тви
  • создание пояснительных текстов на тви
  • черновой перевод и переформулирование между тви и английским

Ограничения

Фактическая точность ненадёжна, длинные ответы могут уходить от темы, а рассуждения и математика даются слабо. Жадное декодирование может вызывать циклы повторения; рекомендуется генерация с sampling и repetition penalty.

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

MiniCPM5-1B-Twi

A Twi (Akan) language adaptation of openbmb/MiniCPM5-1B, produced by tokenizer extension → continued pretraining (CPT) → supervised fine-tuning (SFT). The goal of this v1 is fluent Twi generation — it speaks natural, idiomatic Twi with correct Ghanaian orthography (ɛ/ɔ).

⚠️ Important: decoding settings

Use sampling with a repetition penalty. Under greedy decoding this model degenerates into repetition loops. Recommended:

temperature=0.7, top_p=0.9, repetition_penalty=1.3, no_repeat_ngram_size=3

These are set as defaults in generation_config.json.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

mid = "ghananlpcommunity/MiniCPM5-1B-Twi"
tok = AutoTokenizer.from_pretrained(mid)
model = AutoModelForCausalLM.from_pretrained(mid, torch_dtype=torch.bfloat16, device_map="auto")

msgs = [{"role": "user", "content": "Kyerɛ me nkyerɛkyerɛmu tiawa fa Ghana aduane ho."}]
ids = tok.apply_chat_template(msgs, add_generation_prompt=True,
                              enable_thinking=False, return_tensors="pt").to(model.device)
out = model.generate(ids, max_new_tokens=200, do_sample=True,
                     temperature=0.7, top_p=0.9, repetition_penalty=1.3, no_repeat_ngram_size=3)
print(tok.decode(out[0][ids.shape[-1]:], skip_special_tokens=True))

Approach

1. Tokenizer extension. The base tokenizer split Twi very inefficiently — the Ghanaian vowels ɛ (U+025B) and ɔ (U+0254) each became two byte-level tokens, giving a Twi fertility of 2.90 tokens/word vs 1.29 for English. We trained an auxiliary byte-level BPE on clean Twi and added the top 6,000 Twi word-pieces to the tokenizer (130,560 → 136,560), then resized the model embeddings and warm-started each new token from the mean of its original subword embeddings. This cut Twi fertility to ~1.26 tokens/word (−57%).

2. Continued pretraining (CPT). Full-parameter CPT for 1 epoch (~666M tokens) on a mix of 65% monolingual Twi / 20% EN–Twi parallel / 15% English replay (the English replay mitigates catastrophic forgetting at this scale). Loss 6.29 → 1.90.

3. Supervised fine-tuning (SFT). LoRA SFT (rank 32) for 3 epochs on ~200k shuffled instruction/QA examples — a blend of short factual QA and longer passage-grounded QA in Twi. Loss 4.14 → 2.30.

Training data

All Twi text was Unicode-normalized to canonical Latin ɛ/ɔ before training.

StageDataset
Tokenizer + CPT (monolingual)ghananlpcommunity/pristine-twi
CPT (parallel / grounding)ghananlpcommunity/pristine-twi-english
SFT (short QA)ghananlpcommunity/gooaq-twi-2m
SFT (long / grounded QA)michsethowusu/ghana-chat-corpus-ak

Evaluation

Held-out Twi perplexity after CPT: 8.26. Qualitatively the model produces fluent, idiomatic Twi with correct orthography. Descriptive/explanatory prompts work well.

Limitations

This is a v1 focused on fluency, and it has real weaknesses:

  • Factual accuracy is unreliable — output is fluent but can be wrong, and long answers sometimes drift or include invented words toward the end.
  • Reasoning / math is weak — full-parameter CPT eroded some of the base model's instruction-following/reasoning ("alignment tax"), and the v1 SFT data was plain QA.
  • Requires a repetition penalty (see above) — do not use greedy decoding.
  • SFT data included machine-translated content, which introduces some translationese.

Planned v2 improvements: cleaner/curated SFT data, instruction-format English replay during CPT, and chain-of-thought-shaped examples (reason in English → answer in Twi).

Credits & license

Built on openbmb/MiniCPM5-1B (Apache-2.0) using datasets from the Ghana NLP community. Released under Apache-2.0. Developed by michsethowusu / Ghana NLP.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
d807ca1

0 моделей