/ Модель

Характеристики

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

AraToken-Qwen3-0.6B-LEP

Генерация текстаТекст → текст3 профессии

Дообученная на арабском языке модель Qwen3 для генерации текста с расширенным словарём AraToken и нормализацией арабского ввода.

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-LEP — языковая модель mariklolik на архитектуре Qwen3, адаптированная для арабского языка с помощью Language Extension Pipeline (LEP). В словарь добавлено 130 890 токенов AraToken; новые строки эмбеддингов и слои трансформера 24–27 обучались на 500 млн токенов арабского корпуса FineWeb2-HQ, а исходные строки эмбеддингов были заморожены. Модель содержит 641,9 млн параметров, имеет контекст до 32 768 токенов и распространяется в формате safetensors.

Модель предназначена для генерации текста и работы с арабским языком. Токенизатор включает нормализацию NFKC, удаление татвиля, замену цифр на западно-арабские, а также обработку латинской пунктуации и диакритики; поэтому необработанный арабский текст можно подавать напрямую. В приведённой оценке модель улучшает показатель BPC для арабского текста и точность на OALL v2 native-Arabic по сравнению с базовой Qwen3-0.6B-Base, при этом показатель BPC на английском хуже. Лицензия — Apache-2.0.

Сценарии применения

  • генерация текста на арабском языке
  • продолжение арабского текста
  • оценка языковых моделей на арабских корпусах
  • обработка арабского текста с нормализацией токенизации

Ограничения

В опубликованном сравнении показатель BPC на английском хуже, чем у Qwen3-0.6B-Base. Оценки в README рассчитаны на ограниченных наборах данных и не гарантируют качество для других сценариев.

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-LEP

Qwen3-0.6B-Base adapted to Arabic with the Language Extension Pipeline (LEP). 130,890 AraToken pieces were added to the vocabulary, with the new embedding rows initialized as the mean of their Qwen3 sub-token embeddings. The model was then trained on 500M tokens of FineWeb2-HQ Arabic (5,086 steps, 4 × H100). The original embedding rows were frozen by gradient masking, and only the new rows and transformer layers 24–27 were trained.

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

ModelArabic BPC ↓English BPC (WikiText-103)OALL v2 native-Arabic macro acc.chars / token
Qwen3-0.6B-Base1.54461.01990.3922.59
CPT with the original tokenizer (mariklolik/AraToken-Qwen3-0.6B-CPT)1.40471.06750.3792.59
this model1.32191.13790.4054.43

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-LEP"
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
6ad58e6

0 моделей