/ Модель

Характеристики

Параметры
365 млн
Лицензия
Apache 2.0
Архитектура
t5 · dense
Базовая модель
byt5-small
Библиотека
transformers
Опубликована
25 ноя 2025

yobyt5-restoration

Генерация текстаТекст → текст3 профессии

Yo-ByT5 восстанавливает тоновые знаки и подточки в текстах на йоруба, где диакритические знаки отсутствуют.

768скачиваний за 30 дней2лайкавеса обновлены5 окт 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

Yo-ByT5 — модель Ахмада Самуэля Гали для восстановления диакритических знаков в тексте на языке йоруба. Она дообучена на базе байтовой модели google/byt5-small архитектуры T5 и содержит 364,6 млн параметров. Модель принимает текст без диакритики и восстанавливает тоновые знаки и подточки, включая ẹ, ọ и ṣ.

Модель предназначена для автоматической нормализации йоруба: например, для подготовки текстов, где знаки были утрачены при вводе или обработке. В тесте YAD на 3330 предложениях автор сообщает общий уровень ошибок восстановления 10,00% при жадном декодировании на исправленной версии эталона. Лицензия модели — Apache 2.0.

Для обработки рекомендуется нормализация Unicode NFC. Входы длиннее 1024 байт следует разбивать на части по границам предложений или клауз. Обучающие данные включают MENYO-20k и текст современной Библии на йоруба; для этих данных указаны лицензии CC BY-NC 4.0 и CC BY-SA соответственно.

Сценарии применения

  • восстановление тоновых знаков в текстах на йоруба
  • добавление подточек в буквы ẹ, ọ и ṣ
  • нормализация текстов на йоруба после утраты диакритики
  • подготовка текстов на йоруба к поиску и языковому анализу

Ограничения

В тесте YAD общий уровень ошибок составил около 10%; качество может зависеть от входного текста и нормализации. Рекомендуется нормализовать текст в Unicode NFC и разбивать входы длиннее 1024 байт на части.

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

Yo-ByT5: Byte-Level Diacritic Restoration for Yorùbá

Yo-ByT5 is a fine-tune of google/byt5-small that restores Yorùbá diacritics (tone marks: acute ◌́, grave ◌̀, mid unmarked; underdots: ẹ, ọ, ṣ) to undiacritized text.


Quickstart

import unicodedata
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

model_id = "lazymonster/yobyt5-restoration"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSeq2SeqLM.from_pretrained(model_id)

text = "Eko ni kokoro aseyori."
inputs = tokenizer(text, return_tensors="pt", max_length=1024, truncation=True)
outputs = model.generate(inputs["input_ids"], max_length=1024, num_beams=1)

predicted = tokenizer.decode(outputs[0], skip_special_tokens=True)
predicted = unicodedata.normalize("NFC", predicted)
print(predicted)
# Ẹ̀kọ́ ni kọ́kọ́rọ́ àṣeyọrí.

Benchmark Results

Evaluated on the YAD Test Benchmark (3,330 sentences) using base-word Needleman-Wunsch sequence alignment and Unicode NFC normalization.

The Corrected Reference repairs 1,415 non-standard underdot codepoints (U+0329 to standard U+0323) in the raw YAD release.

Greedy decoding uses num_beams=1. Beam search uses num_beams=5.

MetricOfficial, GreedyOfficial, BeamCorrected, GreedyCorrected, Beam
DER (Total) ↓10.45%10.58%10.00%10.14%
DER-tone ↓8.76%8.93%8.76%8.93%
DER-underdot ↓5.66%6.12%5.69%6.15%
WDER ↓16.81%16.88%15.58%15.64%
CER ↓3.82%3.75%3.55%3.48%
WER ↓16.11%16.03%14.93%14.86%
BLEU ↑0.68370.68410.68370.6841
ChrF ↑0.84310.84310.84310.8431

Training Data

DatasetSentencesLicense
MENYO-20k (Yorùbá train split)9,942CC BY-NC 4.0
Biblica® Open Yorùbá Contemporary Bible 201736,371CC BY-SA
Total Train46,313
Validation Set5,305

Training Procedure

  • Architecture: google/byt5-small (299.6M parameters)
  • Compute: Google Cloud TPU v6e-8
  • Optimizer: AdamW, linear decay, weight decay 0.01, gradient clip norm 0.5
  • Batch Size: Per-device batch 4, gradient accumulation 2 (effective global batch size 64)
  • Phase 1: Learning rate 2e-4, 300 warmup steps, 4 epochs
  • Phase 2: Learning rate 1e-4, 0 warmup steps, 4 epochs (released checkpoint)

Recommendations

  1. Unicode normalization: Always normalize input and generated text to NFC before scoring or processing.
  2. Chunking: Chunk inputs longer than 1024 bytes at sentence or clause boundaries.
  3. Decoding: Greedy decoding is fast and accurate. Beam search (num_beams=5) offers slight quality gains on edit distance metrics.

Citation & License

License

  • Model weights: Apache 2.0
  • Training data: Subject to original licenses (MENYO-20k: CC BY-NC 4.0; Biblica: CC BY-SA)

Citation

@misc{gali2026yobyt5efficienthighfidelitydiacritic,
      title={Yo-ByT5: Efficient and High-Fidelity Diacritic Restoration for Yor\`ub\'a}, 
      author={Ahmad Samuel Gali and Shamsuddeen Hassan Muhammad},
      year={2026},
      eprint={2610.01634},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2610.01634}, 
}

Acknowledgments

Trained as a member of the HausaNLP Research Group with compute support from the Google TPU Research Cloud (TRC) program.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
d651240

0 моделей