/ Модель

Характеристики

Лицензия
CC BY 4.0
Базовая модель
xlm-roberta-large
Библиотека
transformers
Опубликована
14 июл 2026

xlm-roberta-large-ft-ssc

Заполнение пропусковТекст → текст3 профессии

Дообученная XLM-RoBERTa-large исправляет орфографические ошибки в текстах на сингальском языке.

14скачиваний за 30 дней0лайковвеса обновлены23 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

Модель XLM-RoBERTa-large, дообученная проектом LMSpell для исправления орфографических ошибок в текстах на сингальском языке. Она принимает текст с ошибками и предсказывает исправленные варианты, используя контекст. Базовая модель — мультиязычная энкодерная XLM-RoBERTa-large с задачей masked language modeling; модель распространяется в формате safetensors по лицензии CC BY 4.0.

Модель предназначена для коррекции сингальского текста. При обработке она сохраняет Unicode Zero Width Joiner с помощью специального токена-замены, который требуется преобразовать обратно после декодирования. Возможны ошибки на неформальных, смешанных по языку текстах и текстах с редкой или узкоспециальной лексикой; модель может менять слова, которые уже написаны правильно. Как энкодерная модель, она не предназначена для авторегрессионной генерации текста.

Сценарии применения

  • исправление орфографии в сингальских текстах
  • автоматическая корректура сингальского текста перед публикацией
  • исправление опечаток в пользовательских сообщениях на сингальском
  • нормализация сингальского текста с сохранением Zero Width Joiner

Ограничения

Модель может хуже работать с неформальным, смешанным по языкам текстом и редкой или специализированной лексикой, а также иногда изменять уже правильно написанные слова. Для сохранения Zero Width Joiner при инференсе необходима описанная в карточке замена на специальный токен и обратное преобразование после декодирования.

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

XLM-RoBERTa Large Fine-tuned for Sinhala Spell Correction

An XLM-RoBERTa-large model fine-tuned for Sinhala spell correction as part of the LMSpell project.

  • Model: XLM-RoBERTa-large
  • Base model: FacebookAI/xlm-roberta-large
  • Language: Sinhala (si)
  • Task: Sinhala Spell Correction (SSC)
  • Dataset: Sinhala Spell Correction Dataset
  • License: CC BY 4.0
  • Project: LMSpell

Usage

from transformers import AutoTokenizer, AutoModelForMaskedLM

model_name = "lm-spell/xlm-roberta-large-ft-ssc"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForMaskedLM.from_pretrained(model_name)

ZWJ_token = "<ZWJ>"
ZWJ_unicode = "\u200D"

text = "යින් හැඟෙන්නේ පවත්නා අධ්‍යාපන ක්‍රමයේ පවතින"
text = text.replace(ZWJ_unicode, ZWJ_token)

inputs = tokenizer(text, return_tensors="pt")
outputs = model(**inputs)

predicted_ids = outputs.logits.argmax(dim=-1)

decoded = tokenizer.decode(
    predicted_ids[0],
    skip_special_tokens=True
)

decoded = decoded.replace(ZWJ_token, ZWJ_unicode)

print(decoded)

Zero Width Joiner Handling

XLM-RoBERTa family of models do not preserve the Unicode Zero Width Joiner (\u200D) during tokenization and generation. To address this, LMSpell represents the Zero Width Joiner using a custom special token, <ZWJ>, during inference.

Before tokenization, occurrences of \u200D are replaced with <ZWJ>. After generation and decoding, <ZWJ> is converted back to the original Unicode Zero Width Joiner (\u200D).

This ensures that Zero Width Joiners are preserved throughout the spell-correction process.

Limitations

  • The model is specifically fine-tuned for Sinhala spell correction and may not generalize to other languages.
  • Performance may vary for informal text, social media content, code-mixed text, and text containing uncommon or domain-specific vocabulary.
  • The model may occasionally modify text that is already correctly spelled.
  • XLM-RoBERTa is an encoder-only masked language model and does not generate text autoregressively.

Research

For details on the training methodology, dataset preparation, evaluation, results, limitations, and comparisons with other models, please refer to the LMSpell paper:

LMSpell: Spell Correction with Pre-Trained Language Models

A. Gunathilake, N. Karunarathna, T. Bandaranayake, S. Ranathunga, N. de Silva and N. Jayatilleke, "LMSpell: Spell Correction with Pre-Trained Language Models," 2026 Moratuwa Engineering Research Conference (MERCon), Moratuwa, Sri Lanka, 2026, pp. 503-508.

Citation

@INPROCEEDINGS{11691371,
  author={Gunathilake, Akesh and Karunarathna, Nadil and Bandaranayake, Tharusha and Ranathunga, Surangika and de Silva, Nisansa and Jayatilleke, Nevidu},
  booktitle={2026 Moratuwa Engineering Research Conference (MERCon)},
  title={LMSpell: Spell Correction with Pre-Trained Language Models},
  year={2026},
  pages={503-508},
  doi={10.1109/MERCon71835.2026.11691371}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
e6fb437

0 моделей