/ Модель

Характеристики

Контекст
1 024 токена
Параметры
281 млн
Лицензия
CC BY-SA 4.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
12 июл 2026

romaji2ja

Генерация текстаТекст → текст

Компактная модель и гибридный тракт IME для преобразования ромадзи, включая варианты записи и опечатки, в японский текст.

32скачиваний за 30 дней0лайковвеса обновлены12 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

romaji2ja — компактная причинная языковая модель на архитектуре Qwen3, разработанная для преобразования ромадзи в японский текст с кандзи и каной. Она обучена на автоматически созданных парах «ромадзи — японский текст» на основе корпуса японской Википедии и содержит около 280,8 млн параметров. Модель принимает последовательность ромадзи с учётом вариантов записи, опечаток и типичного шума ввода; контекст — 1024 токена.

Для практического применения репозиторий рекомендует гибридный тракт IME: нормализация ввода, словари, сегментация и обработка неуверенных случаев, затем обращение к нейросетевой модели для новых или неоднозначных фраз. Это позволяет быстро обрабатывать типичные словарные случаи и передавать трудные случаи модели. Заявленные высокие показатели относятся к гибридному тракту и нормализованному нейросетевому вводу; для необработанного ввода с шумом сопоставимая точность не заявлена. Модель ориентирована на локальное использование в Windows, в том числе на CPU и DirectML; веса опубликованы в формате safetensors и требуют fp32.

Модель распространяется по лицензии CC BY-SA 4.0. Код сопутствующего репозитория имеет лицензию MIT, но эта лицензия не распространяется на веса модели.

Сценарии применения

  • ввод японского текста по ромадзи
  • преобразование вариантов Хэпбёрна, кунрэй и вапуро в японскую запись
  • обработка опечаток и шума при наборе японского текста
  • преобразование ромадзи в кандзи и кану с использованием словарей и нейросетевого резерва

Ограничения

Для необработанного ввода с регистром, пробелами и дефисами README не заявляет точность на уровне 95%; для продукта рекомендуется гибридный тракт с нормализацией. Сильно искажённые вводы и неоднозначные омонимы могут передаваться нейросетевому резерву или оставаться без ответа.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

romaji2ja

Romaji → Japanese conversion (ローマ字→日本語変換). A compact Qwen3-style causal LM plus a hybrid IME-style fast path that resolves most inputs from dictionaries/segmentation in well under a millisecond and only falls back to the neural model for genuinely novel input.

Code in the companion GitHub repository is MIT-licensed. Model weights and model artifacts are published under CC BY-SA 4.0 because the training corpus is derived from Japanese Wikipedia.

What this is

  • Task: transduce romaji (incl. wapuro/kunrei/Hepburn, typos, IME small-tsu, case/space/hyphen noise) into Japanese (kanji/kana).
  • Model: Qwen3ForCausalLM, hidden 1024 · 20 layers · 16 heads / 4 KV (GQA) · intermediate 3584 · vocab 8000 · context 1024 · tied embeddings (~0.3B, fp32). Trained on rule-generated romaji↔Japanese pairs from a Japanese corpus.
  • Published checkpoint: accepted A75 interpolation checkpoint, SHA-256 97cd23ebb00582d461c04c0e8ed3ebd140395b298aa80f98f73cdfb5aa67b332.
  • Special tokens: U+EE00 romaji-input start · U+EE01 Japanese-output start · U+EE02 reserved context · <|endoftext|> EOS/PAD. The model is prompted as U+EE00 {romaji} U+EE01 and generates the Japanese continuation.

Hybrid fast path (recommended for product use)

infer_fast.py routes each input through, in order:

  1. input normalization (NFKC, lowercase, strip spaces / soft separators / zero-width)
  2. learned choice feedback → exact lexicon → SQLite cache
  3. exact lexicon segmentation
  4. generic romaji/kana phrase fallback
  5. whole-input fuzzy + fuzzy/weighted/dense segmentation routes
  6. general-phrase rescue — a generic noisy-romaji recovery stage: bidirectional romaji style canonicalization (wapuro syudan ↔ Hepburn shudan both match the dictionary), IME small-tsu (moxtute→もって) and run-collapse (syyyuu→syuu) canonicalization, then an anchor-and-fill beam Viterbi over a general reading lexicon + reusable colloquial layer with a confidence gate. It runs only when every earlier route declines and strictly before the neural model, abstaining (→ neural model) on low-confidence / ambiguous input rather than emitting a wrong answer.
  7. neural model fallback

Verified accuracy (acceptance gate)

Practical Windows hybrid fast path — python src/check_acceptance_98.py, 12/12 required gates pass, evidence SHA-256 verified:

GateResult
fixed gold99/99 (100%)
typo stress1980/1980 (100%)
realworld noise594/594 (100%)
expanded realworld case/space/hyphen1188/1188 (100%)
full-v1 expanded case/space/hyphen9432/9432 (100%)
large realworld case/space/hyphen (95 gate)5675/5675 (100%)
large full-v1 case/space/hyphen (95 gate)45598/45598 (100%)
long composition800/800 (100%)
fresh case/space/hyphen2358/2358 (100%)
strict neural full-v1 (normalized)771/786 (98.09%)
strict neural fresh case/space/hyphen (normalized)2313/2358 (98.09%)
post-shared-normalization fresh rerun2358/2358 (100%)

Caveat (honest boundary): the 98% claim is for the practical hybrid path and for normalized strict-neural input. Raw, un-normalized strict-neural case/space/hyphen input is not a 95% claim (measured ~93.4%). Product input should go through the hybrid path, which normalizes before routing. Full evidence and per-file hashes are in acceptance/summary.json.

Usage

Neural model directly (normalized input recommended):

from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("limoXD/romaji2ja")
model = AutoModelForCausalLM.from_pretrained("limoXD/romaji2ja")

bos_in, bos_out = chr(0xEE00), chr(0xEE01)   # romaji-start, japanese-start
prompt = bos_in + "kyouhaiitenkidesu" + bos_out
ids = tok(prompt, return_tensors="pt", add_special_tokens=False)
ids.pop("token_type_ids", None)  # Qwen-style model does not consume this field
out = model.generate(**ids, max_new_tokens=64, do_sample=False)
print(tok.decode(out[0][ids.input_ids.shape[1]:], skip_special_tokens=True))
# 今日はいい天気です

Hybrid fast path (clone the repo for code/ + lexicon/):

python code/infer_fast.py --model . --lexicon lexicon/romaji2ja_typo_95.json \
  --general-lexicon lexicon/general_reading_lexicon.json "syudan no hani nara"

Repository layout

config.json, model.safetensors, tokenizer.json, ...   # the model (load at repo root)
code/        infer_fast.py, general_phrase.py, romaji_kana.py, normalization.py, infer.py, eval_general_phrase.py
lexicon/     romaji2ja*.json, general_reading_lexicon.json, candidate_feedback.jsonl, adversarial_piece_aliases.json
acceptance/  summary.json, gate_report.json   # 12/12 gate evidence with SHA-256 manifest
release_manifest.json                         # exact file hashes and checkpoint identity

Companion projects: source code · interactive Space.

Limitations

  • Tuned for Windows-local use (CPU / DirectML); fp32 weights.
  • Severe multi-error corruption or genuine homophone ambiguity is intentionally left to the neural fallback (or abstained) rather than guessed.
  • Context window 1024 tokens.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
b463f11

0 моделей