/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
508 млн
Лицензия
MIT
Архитектура
qwen3 · dense
Базовая модель
Qwen3-0.6B-Base
Библиотека
transformers
Опубликована
20 мая 2026

CeluneNorm-0.6B-v2.0-ctx2048

Генерация текстаТекст → текст3 профессии

Компактная англоязычная модель для консервативной нормализации текста с сохранением смысла, включая предварительную обработку для синтеза речи.

300скачиваний за 30 дней0лайковвеса обновлены20 мая 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

CeluneNorm-0.6B-v2.0-ctx2048 — компактная модель нормализации текста от lunahr, дообученная на основе Qwen/Qwen3-0.6B-Base. Она приводит плохо оформленный текст к читаемому виду, исправляя регистр и пунктуацию с сохранением исходного смысла. Модель предназначена для предварительной обработки текста, в том числе в конвейерах синтеза речи и для смешанного содержимого с техническими фрагментами.

Модель построена на плотной архитектуре Qwen3 с причинно-языковой головой, содержит 507,6 млн параметров и принимает контекст длиной до 2048 токенов. Она рассчитана на английский язык, работает детерминированно без выборки и осторожно обрабатывает многопредложный текст, имена, URL и команды. Распространяется по лицензии MIT.

Модель не предназначена для полной грамматической коррекции: она может пропускать исправления регистра и пунктуации, сохранять неоднозначный регистр и разговорные формы, а также ошибаться на длинном контексте. Она не расширяет сленг и не переписывает неформальный текст.

Сценарии применения

  • нормализация текста перед синтезом речи
  • исправление регистра и базовой пунктуации
  • подготовка плохо оформленных фраз к озвучиванию
  • нормализация многофразового английского текста
  • предварительная обработка текста со ссылками, именами и командами

Ограничения

Не заменяет полноценную грамматическую коррекцию: может пропускать исправления пунктуации и регистра, сохранять неоднозначные формы и не переписывает сленг или неформальный текст. На длинных фрагментах возможны ошибки отдельных символов.

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

Model Card for CeluneNorm-0.6B-v2.0-ctx2048

Model Details

Model Description

CeluneNorm is a lightweight text normalization model designed for TTS and general preprocessing pipelines.

It converts poorly formatted input into clean, readable text while preserving the original meaning.

Example:

  • Input: this is a badly formed sentence
  • Output: This is a badly formed sentence.

The model is conservative by design:

  • It does not rewrite sentences
  • It avoids changing meaning
  • It preserves domain-specific tokens (e.g. URLs, commands, names)

Update

Version 2.0 improves performance on longer contexts compared to version 1.3.

It is recommended to use version 2.0 if you require to normalize inputs of more than 128 tokens, up to 2048 tokens.

The model should retain the base capabilities of version 1.3 across longer context windows.

Usage

The model expects input in the following format:

YOUR INPUT<NORM>

It will generate the normalized version of the input.

Inference example:

from transformers import pipeline, AutoTokenizer

model_id = "lunahr/CeluneNorm-0.6B-v2.0-ctx2048"

tokenizer = AutoTokenizer.from_pretrained(model_id)
pipe = pipeline(
    "text-generation",
    model=model_id,
    tokenizer=model_id,
    device="cuda:0",  # "cpu" for CPU-only, slower
)

def normalize(text: str) -> str:
    history = [
        {"role": "user", "content": text}
    ]
    prompt = tokenizer.apply_chat_template(history, tokenize=False)

    out = pipe(
        prompt,
        max_new_tokens=2048,
        do_sample=False,
        return_full_text=False,
    )

    return out[0]["generated_text"].strip()

# example
print(normalize("if i type something more complicated into celune it will fix it"))

Key Characteristics

  • Deterministic (no sampling required)
  • Preserves structure and intent
  • Handles mixed text (natural language + technical content)
  • Conservative punctuation (prefers . over ! unless explicit)
  • Supports multi-sentence normalization when boundaries are clear
  • Supports long-context normalization of up to 2048 tokens

  • Developed by: https://huggingface.co/lunahr
  • Model type: Causal Language Model
  • Language(s): English
  • License: MIT
  • Base model: Qwen/Qwen3-0.6B-Base

Limitations

This model is not intended to be a full grammar correction system.

Possible limitations include:

  • May miss some punctuation or casing corrections
  • May be conservative with contractions (e.g. there s -> unchanged)
  • May preserve ambiguous casing when intent is unclear
  • Does not expand slang or rewrite informal language
  • May miss some characters at extended context lengths

The model prioritizes safety and meaning preservation over aggressive correction.


Training Details

Dataset

Trained on: https://huggingface.co/datasets/lunahr/normalization-data-mixed

The dataset includes a mix of:

  • Formal text (Wikipedia-style)
  • Conversational text (PersonaChat)
  • Synthetic edge cases
  • Quoted text handling

This combination helps the model generalize across both clean and noisy inputs.

This version was also tuned on an additional 10k rows of casing data to improve accuracy.

Long context coherence was trained with 5k rows of 2048-context-length data to stop the model from looping on itself.


Training Procedure

  • Fine-tuned from Qwen3-0.6B-Base
  • Hardware: Kaggle dual NVIDIA T4 (FP16, casted to BF16 for output model)
  • Training time: ~1.5 hours + ~5 minutes (casing CFT) + ~50 minutes (long-context CFT)
  • Epochs: 3 + 1 (casing CFT) + 1 (long context CFT)

Training configuration highlights:

  • Learning rate: 8e-5
  • Gradient clipping: 1.0
  • Warmup: 200 steps (~10%)

Metrics

  • Final training loss: 0.08841 (0.06989 for casing CFT, 0.07981 for long-context CFT)
  • Mean token accuracy: 97.53% (99.77% for casing CFT, 97.89% for long-context CFT)

These metrics reflect token-level accuracy; real-world normalization quality is slightly lower but more representative (~90-95% human-level correctness).


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
f387f21

0 моделей