/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
508 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-0.6B-Base
Библиотека
transformers
Опубликована
23 сен 2026

AraToken-Qwen3-0.6B-CPT

Генерация текстаТекст → текст3 профессии

Продолжение предобучения Qwen3-0.6B-Base, адаптированное для генерации текста на арабском языке.

349скачиваний за 30 дней0лайковвеса обновлены23 сен 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

AraToken-Qwen3-0.6B-CPT — плотная авторегрессионная языковая модель mariklolik, полученная продолжением предобучения Qwen3-0.6B-Base на 500 млн токенов арабского корпуса FineWeb2-HQ-ar. В модели 507,9 млн параметров; исходный токенизатор Qwen3 сохранён, а токенизатор репозитория включает нормализацию арабского текста: NFKC, удаление татвиля и диакритических знаков, преобразование цифр к западному написанию и обработку латинской пунктуации. Контекст — до 32 768 токенов.

Модель предназначена для генерации текста и экспериментов с арабским языковым моделированием. По оценке BPC на 1 500 документах тестовой части указанного корпуса она получила 1,4047 против 1,5446 у исходной Qwen3-0.6B-Base; результат AraToken-Qwen3-0.6B-LEP в том же сравнении выше — 1,3219. Поддерживаются арабский и английский языки. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0. Это компактная модель с целевым улучшением обработки арабского текста, но приведённая оценка ограничена конкретным тестовым набором и не характеризует все сценарии генерации.

Сценарии применения

  • генерация текста на арабском языке
  • продолжение арабского текста по началу фразы
  • эксперименты с арабской токенизацией и нормализацией
  • оценка языковых моделей на арабском корпусе

Ограничения

Показатель BPC приведён только для 1 500 документов тестовой части одного арабского корпуса и не гарантирует качество в других задачах или доменах. По сравнению в README модель уступает AraToken-Qwen3-0.6B-LEP по этому показателю.

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

AraToken-Qwen3-0.6B-CPT

The continued-pretraining (CPT) baseline of the AraToken paper. Qwen3-0.6B-Base keeps its original tokenizer and is trained on the same 500M-token FineWeb2-HQ Arabic budget as mariklolik/AraToken-Qwen3-0.6B-LEP: 5,086 steps, transformer layers 24–27 trainable.

Paper: AraToken: Optimizing Arabic Tokenization with Normalization Pipeline and Language Extension for Qwen3. Code: https://github.com/mariklolik/Aratoken.

ModelArabic BPC ↓
Qwen3-0.6B-Base1.5446
this model1.4047
AraToken-Qwen3-0.6B-LEP1.3219

BPC is bits per character on the first 1,500 documents of the held-out test split of mariklolik/AraToken-FineWeb2-HQ-ar. It compares models with different vocabularies on the same characters.

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "mariklolik/AraToken-Qwen3-0.6B-CPT"
tokenizer = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype="bfloat16")

The tokenizer carries the AraToken normalizer: NFKC, Tatweel removal, Western digits, Latin punctuation and diacritics removal. Raw Arabic text can therefore be passed to it directly.

Citation

@article{kashirskiy2025aratoken,
  title   = {AraToken: Optimizing Arabic Tokenization with Normalization Pipeline and Language Extension for Qwen3},
  author  = {Kashirskiy, Mark and Lipinski, Artiom and Makarov, Ilya},
  journal = {arXiv preprint arXiv:2512.18399},
  year    = {2025}
}

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
8abcfd4

0 моделей