Характеристики

Контекст: 512 токенов
Параметры: 4,4 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 7 июл 2026

Ссылки

fdt-disfluency-tiny-4m

Разметка токеновТекст → label4 профессии

Компактная BERT-модель размечает слова в расшифровках разговорной речи, чтобы удалять речевые сбои и восстанавливать чистый текст.

14скачиваний за 30 дней0лайковвеса обновлены7 июл 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

stillerman/fdt-disfluency-tiny-4m — небольшая модель разметки слов для очистки расшифровок разговорной речи, разработанная Stillerman в рамках проекта FluencyAI. Она присваивает каждому слову один из тегов KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего простое восстановление по тегам формирует очищенный текст. Модель предназначена для обработки транскриптов живой речи, в том числе с запуском в браузере через transformers.js и ONNX Runtime WebGPU.

В основе — BERT L2/H128 с 4,4 млн параметров и контекстом до 512 токенов; доступны веса safetensors и квантованный ONNX int8. Валидационные показатели из карточки: exact match 0,5980 и DELETE-F1 0,8892. Разметка ограничена удалением дисфлюенций и простыми изменениями пунктуации и регистра: модель не перефразирует текст и не предназначена для общей коррекции транскрипции. Лицензия репозитория — Apache-2.0, однако обучение частично использовало DailyDialog по CC BY-NC-SA; автор рекомендует считать модель исследовательским артефактом и не применять её в коммерческих целях без отдельной проверки условий использования данных.

Сценарии применения

удаление слов-паразитов и повторов из расшифровки разговора
очистка транскриптов живой речи в браузерном приложении
разметка слов для постобработки речевых транскриптов
приведение заглавной буквы и запятой в очищенном тексте

Ограничения

Оценка exact match на валидации составляет 0,5980, а DELETE-F1 — 0,8892. Модель выполняет только ограниченную разметку удаления и оформления слов; из-за использования DailyDialog с лицензией CC BY-NC-SA автор не рекомендует коммерческое применение без отдельной проверки прав.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

stillerman/fdt-disfluency-tiny-4m

Disfluency deletion tagger for live speech transcripts: tags every whitespace word KEEP / DELETE / KEEP_STRIP_COMMA / KEEP_CAPITALIZE, then a ~15-line reconstruction turns tags into cleaned text. Deletion-only by construction — it cannot rephrase, hallucinate, or alter names and numbers.

Architecture: BERT L2/H128 (4.4M params), v1 data mix
Val metrics: exact-match 0.5980, DELETE-F1 0.8892
Training data: synthetic disfluency injection over conversational corpora — see stillerman/fdt-disfluency-synthetic
onnx/model_quantized.onnx (int8) is ready for transformers.js (device: "webgpu", dtype: "q8"); runs at ~10–50 ms per utterance in-browser.
⚠️ Trained partly on DailyDialog (CC BY-NC-SA): treat as research artifact, not for commercial deployment as-is.

Trained on a DGX Spark as part of the FluencyAI digital-twin project.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модель выложена для браузера (ONNX / transformers.js).

Класс архитектуры: BertForTokenClassification
Ревизия весов: ba012f0