/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
MIT
Архитектура
mamba2_s2s · dense
Базовая модель
NanoSakura-2-0.2B
Библиотека
transformers
Опубликована
8 июл 2026

NanoSakura-2.3-0.2B

Генерация текстаТекст → текст3 профессии

Компактная Seq2Seq-модель для перевода с японского на китайский на основе Transformer-энкодера и декодера Mamba2.

18скачиваний за 30 дней0лайковвеса обновлены8 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

NanoSakura-2.3-0.2B — компактная модель примерно с 188 млн параметров, разработанная telecomadm1145 для перевода с японского языка на китайский. Это Seq2Seq-архитектура: Transformer-энкодер обрабатывает исходный текст, а декодер Mamba2 с перекрёстным вниманием формирует перевод. По заявлению автора, генерация не требует растущего KV-кэша, что снижает расход памяти и подходит для развёртывания на устройствах с ограниченными ресурсами и высоконагруженных API.

Модель обучалась на наборах skr_trans_distill и очищенных японско-китайских парах Википедии. В карточке приведены результаты FLORES-200 и тестового набора; автор предупреждает, что версия 2.3 не превосходит NanoSakura-2.2 во всех оценках. Для загрузки через Transformers требуется включить trust_remote_code=True. Лицензия — MIT.

Сценарии применения

  • перевод японских текстов на китайский
  • машинный перевод японских статей и материалов Википедии
  • перевод японского текста в приложениях с ограниченной памятью
  • высокопроизводительный перевод японского текста через API

Ограничения

Версия 2.3 не превосходит NanoSakura-2.2 по всем приведённым оценкам; качество зависит от тестового набора. Для загрузки в Transformers требуется trust_remote_code=True.

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 NanoSakura-2.3-0.2B (Ja -> Zh)

Warning: This model isn't superior to telecomadm1145/NanoSakura-2.2-0.2B.

This model is a highly efficient, custom-built Hybrid Sequence-to-Sequence (Seq2Seq) model designed for Japanese to Chinese translation. It combines the deep understanding capabilities of a Transformer Encoder with the blazing-fast, memory-efficient generation of a Mamba2 (State Space Model) Decoder.

Model Details

Model Description

Traditional Seq2Seq models (like T5 or BART) rely entirely on Transformers. While powerful, the self-attention mechanism in the decoder leads to an $O(N^2)$ computational bottleneck and high KV-cache memory usage during text generation.

This model solves that by introducing a Hybrid Architecture:

  1. Encoder (Transformer): Uses Self-Attention + RoPE + SwiGLU to fully capture the global context of the source Japanese text in parallel.
  2. Decoder (Mamba2 + Cross-Attention): Replaces self-attention with Mamba2's State Space Model (SSM). This allows for $O(1)$ state-updating generation (no growing KV cache), while retaining Cross-Attention to accurately "look back" at the encoder's features to prevent hallucination.

With only ~188 Million parameters, it achieves excellent translation quality while maintaining an extremely low hardware footprint, making it ideal for edge deployment or high-throughput API services.

  • Developed by: telecomadm1145
  • Model type: Hybrid Transformer-Mamba2 Seq2Seq
  • Language(s) (NLP): Japanese (ja), Chinese (zh)
  • License: MIT
  • Parameters: ~188M

How to Get Started with the Model

Because this model uses a custom architecture, you must use trust_remote_code=True when loading it with the transformers library. The custom modeling_mamba2_s2s.py will handle the $O(1)$ Mamba2 cache generation automatically.

Use the code below to get started:

import torch
from transformers import AutoModelForSeq2SeqLM, PreTrainedTokenizerFast

repo_id = "telecomadm1145/NanoSakura-2.3-0.2B"
device = "cuda" if torch.cuda.is_available() else "cpu"
tokenizer = PreTrainedTokenizerFast.from_pretrained(repo_id)
model = AutoModelForSeq2SeqLM.from_pretrained(
    repo_id, 
    trust_remote_code=True, 
    dtype=torch.float32 
)
model.to(device)

text = "おはようございます、今日の天気はいいですね!"
input_ids = tokenizer.encode(text + "<eos>")
input_tensor = torch.tensor([input_ids]).to(device)

output_ids = model.generate(
    input_tensor, 
    max_new_tokens=256,
)
result = tokenizer.decode(output_ids[0], skip_special_tokens=True)
print(f"Translation: {result}")
# Output: 早安,今天的天气真好呢!

Evaluation

We evaluated the model on the FLORES-200 benchmark (Japanese to Chinese, ja-zh) and a testset(shard_00134). To provide a comprehensive assessment, we report both lexical-overlap metrics (SacreBLEU) and semantic-similarity neural metrics (COMET).

Metrics

Metricopus-mt-ja-zh(~73M)NanoSakura-2-0.2BNanoSakura-2.2-0.2BNanoSakura-2.3-0.2BNanoSakura-0.3Bnllb-200-1.3BQwen3-0.6B(fp16)Qwen3-0.6B(fp16,thinking)Qwen3-1.7B(fp16)Qwen3-1.7B(fp16,thinking)
FLORES-200 BLEU25.6723.2726.5528.6722.3620.8712.5821.1327.1227.56
FLORES-200 COMET0.83710.83800.84940.85630.83070.78050.80200.82200.85610.8571
shard_00134 BLEU8.0758.1357.5549.3258.715.736.8914.5723.3724.60
shard_00134 COMET0.44930.86150.86080.85580.86540.51810.69300.74140.81580.8182

All evaluated using greedy decoding.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Mamba2Seq2SeqForConditionalGeneration
Ревизия весов
9558d6a

0 моделей