/ Модель

Характеристики

Параметры
365 млн
Лицензия
MIT
Архитектура
t5 · dense
Базовая модель
byt5-small
Библиотека
transformers
Опубликована
27 мая 2026

byt5-small-tajik-farsi-translit

Генерация текстаТекст → текст4 профессии

Дообученная на корпусе ParsText модель ByT5 для транслитерации персидского и таджикского текстов между персо-арабским письмом и кириллицей.

99скачиваний за 30 дней0лайковвеса обновлены10 авг 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

shekar-ai разработала модель для двусторонней транслитерации между персидским текстом на персо-арабском письме и таджикским текстом на кириллице. Направление задаётся префиксом: fa2tg для преобразования персидского в таджикский и tg2fa для обратного преобразования. Модель построена на ByT5-small — байтовом энкодер-декодере семейства T5, дообученном на параллельном корпусе ParsText; метаданные указывают 364,6 млн параметров и лицензию MIT.

Модель подходит для преобразования письменности при поиске и чтении текстов, нормализации перед обработкой персидского и таджикского текста, а также как отправная точка для дообучения на близких задачах преобразования письменности. В README приведены оценки на тестовой выборке: chrF++ 87,90 для направления с персидского на таджикский и 91,76 для обратного. Направление персидский → таджикский сложнее, поскольку краткие гласные часто не обозначаются; имена собственные и заимствования также могут обрабатываться с ошибками. Обучающие примеры ограничены длиной 200 символов, поэтому длинный текст рекомендуется преобразовывать по предложениям.

Сценарии применения

  • транслитерация персидского текста в таджикскую кириллицу
  • преобразование таджикского текста в персидское письмо
  • поиск по персидским и таджикским текстам с разными письменностями
  • нормализация письменности перед обработкой персидского и таджикского текста
  • подготовка основы для дообучения на родственных задачах преобразования письменности

Ограничения

Преобразование с персидского на таджикский сложнее из-за неотмеченных кратких гласных; имена собственные и отсутствующие в обучающем корпусе заимствования часто вызывают ошибки. Обучающие примеры ограничены 200 символами, поэтому длинные тексты следует обрабатывать по предложениям.

Для каких профессий подходит4

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

ByT5 Persian ↔ Tajik Transliterator

Bidirectional transliteration between Persian (Perso-Arabic script) and Tajik (Cyrillic script), fine-tuned from google/byt5-small on the ParsText Persian–Tajik parallel corpus. ByT5 operates on raw UTF-8 bytes, so both scripts are handled natively without script-specific tokenization.

Direction is selected with a task prefix:

  • fa2tg: … — Persian → Tajik (Cyrillic)
  • tg2fa: … — Tajik → Persian (Perso-Arabic)
ArchitectureByT5-small (byte-level encoder–decoder)
Parameters299 M
Base modelgoogle/byt5-small
Training dataParsText Persian–Tajik parallel corpus
LicenseMIT

Intended Use

  • Persian ↔ Tajik script conversion for cross-script search and reading
  • Script normalization ahead of Persian/Tajik NLP pipelines that assume a single script
  • A starting point for fine-tuning on related low-resource script-conversion tasks

Usage

Shekar

Shekar wraps 8-bit quantized ONNX exports of the encoder and decoder, so it runs on CPU without PyTorch. FarsiToTajik and TajikToFarsi set the direction prefix for you.

from shekar import FarsiToTajik, TajikToFarsi

to_tajik = FarsiToTajik()
to_farsi = TajikToFarsi()

print(to_tajik("ایران مادر است!"))     # Эрон модар аст!
print(to_farsi("Донишгоҳи Теҳрон"))    # دانشگاه تهران

Both accept num_beams (default 1) and max_new_tokens (default 256).

Transformers

import torch
from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

repo = "shekar-ai/byt5-small-tajik-farsi-translit"
tokenizer = AutoTokenizer.from_pretrained(repo)
model = AutoModelForSeq2SeqLM.from_pretrained(repo).eval()

@torch.no_grad()
def transliterate(text, direction="fa2tg", num_beams=4):
    assert direction in {"fa2tg", "tg2fa"}
    inputs = tokenizer(f"{direction}: {text.strip()}", return_tensors="pt", truncation=True, max_length=1024)
    output = model.generate(**inputs, num_beams=num_beams, max_new_tokens=1024, early_stopping=True)
    return tokenizer.decode(output[0], skip_special_tokens=True).strip()

print(transliterate("دانشگاه تهران", "fa2tg"))     # Донишгоҳи Теҳрон
print(transliterate("Эрон модар аст!", "tg2fa"))   # ایران مادر است!

Training

Data. The ParsText Persian–Tajik parallel dataset. After cleaning (non-empty pairs, length ≤ 200 characters) and bidirectional expansion (one example per direction), the corpus contains 751,650 examples, split 90/5/5 into train/validation/test. Persian text was normalized with Shekar's preprocessing pipeline (AlphabetNormalizer → YaNormalizer → SpacingNormalizer).

HyperparameterValue
Epochs5 (early-stopped on best chrF++)
Batch size32 per device
Learning rate5e-4
LR schedulerLinear, 5% warmup
Weight decay0.01
Precisionbf16 mixed
Beam search (eval)4 beams
Max sequence length1024 bytes

Evaluation

Held-out test set of 37,582 examples, scored with chrF++ (character n-gram F-score, word_order=2), CER (character error rate), and exact sequence match:

DirectionnchrF++ ↑CER ↓Sequence accuracy ↑
Overall37,58289.680.03820.537
fa2tg (Persian → Tajik)18,70587.900.04670.423
tg2fa (Tajik → Persian)18,87791.760.02830.649

tg2fa scores higher because the Perso-Arabic script collapses several Tajik vowel distinctions, making the target more deterministic than in the reverse direction.

Limitations

Persian → Tajik is the harder direction: Persian orthography leaves short vowels unwritten, so the model must infer them, and exact-match accuracy is correspondingly lower (42% vs 65%). Training examples were capped at 200 characters — transliterate long text sentence by sentence. Proper nouns and loanwords absent from ParsText are the most common source of errors.

Citation

@article{Amirivojdan2025Shekar,
  author  = {Amirivojdan, Ahmad},
  title   = {{Shekar: A Python Toolkit for Persian Natural Language Processing}},
  journal = {Journal of Open Source Software},
  volume  = {10},
  number  = {114},
  pages   = {9128},
  year    = {2025},
  doi     = {10.21105/joss.09128},
  url     = {https://joss.theoj.org/papers/10.21105/joss.09128}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
43d6806

0 моделей