/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
478 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
10 июл 2026

TATlit

Генерация текстаТекст → текст3 профессии

TATlit — обученная с нуля базовая Llama-модель для генерации и языкового моделирования на литературном татарском языке.

39скачиваний за 30 дней0лайковвеса обновлены31 авг 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

TATlit — базовая языковая модель для литературного татарского языка, разработанная Ильшатом Саэтовым и Дмитрием Гайнуллиным. Это модель с архитектурой Llama и 478,2 млн параметров, обученная с нуля, без адаптации англо- или русскоязычной базовой модели. Она предназначена для продолжения текста и языкового моделирования на татарском языке, включая литературную прозу и периодические издания.

Модель использует декодерную архитектуру с 24 слоями и контекстом 4096 токенов. Токенизатор SentencePiece Unigram содержит 48 тысяч токенов. Обучение проходило в два этапа: сначала на кириллических кыпчакских языках, затем на корпусе литературного татарского. По приведённым в карточке тестам модель показывает сильные результаты в генерации татарского текста и оценке морфологической приемлемости.

Это базовая, не настроенная на выполнение инструкций модель; она не предназначена для диалогового следования командам и обладает ограниченными энциклопедическими знаниями. В карточке также отмечена уязвимость в обработке системы лица и притяжательности в изафетных конструкциях. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях указания авторства, распространения производных материалов на тех же условиях и некоммерческого применения.

Сценарии применения

  • продолжение литературного текста на татарском языке
  • генерация татарской прозы и периодических текстов
  • оценка языковой приемлемости татарских предложений
  • исследование морфологии и синтаксиса татарского языка

Ограничения

Модель не настроена на выполнение инструкций и имеет ограниченные энциклопедические знания. Слабее обрабатывает систему лица и притяжательности в изафетных конструкциях.

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

TATlit — a native literary Tatar base language model

TATlit is a 478M-parameter, from-scratch base language model for literary Tatar (ISO 639-3 tat), a Qypchaq Turkic language written in Cyrillic. It is trained without adapting any English- or Russian-dominant base, so that it produces native Tatar morphosyntax by default rather than acting as a translation layer over a dominant language. This is a base model, not instruction-tuned.

Usage

# pip install sentencepiece
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("yasalma/TATlit")
tok   = AutoTokenizer.from_pretrained("yasalma/TATlit", use_fast=False)

The tokenizer is SentencePiece-based; pass use_fast=False so tokenization matches training exactly (the auto-converted fast tokenizer differs on the leading token). The weights are a standard Llama-architecture checkpoint in safetensors.

Model

  • Llama-style decoder, 24 layers, hidden size 1280, 16 attention heads with 4-way grouped-query attention, SwiGLU, RoPE, RMSNorm, tied embeddings, context 4096.
  • 48K SentencePiece Unigram tokenizer, Tatar fertility 4.2-4.5 chars/token, 1.5-3x more efficient than general tokenizers.
  • 478M parameters, bf16.

Training

Two stages. Stage 1 pretrains on a Cyrillic-Qypchaq pool (Tatar 43 / Kazakh 30 / Kyrgyz 16 / Bashkir 10 / smaller siblings ~1 percent) under target-capped sampling. Stage 2 specializes on pure, register-weighted literary Tatar with an anti-memorization regime that keeps verbatim reproduction low.

Results

TATlit is compared against three Tatar-specialized baselines (Goldfish-tat 125M, Tweety-7B-tatar, mGPT-1.3B-tatar) and four frontier models from 31B to 120B (Gemma-4-31B, Llama-4-Scout, Qwen3-32B, gpt-oss-120b), each measured with the same harness per benchmark.

Byte-per-byte on external public sets (FLORES, BOUQuET, UD), lower is better.

ModelParamsFLORESBOUQuETUD
TATlit478M.740.777.502
Tweety-7B7B.757.800.544
Gemma-4-31B31B.772.939.691
Goldfish-tat125M.778.801.502
mGPT-1.3B1.3B.9501.186.880
gpt-oss-120b120B1.0921.1641.099
Qwen3-32B32B1.1441.4231.159
Llama-4-Scout109B1.2221.4981.080

Byte-per-byte on in-house held-out sets (literary, periodical), lower is better.

ModelParamsHeld-out litHeld-out per
TATlit478M.732.701
Gemma-4-31B31B.790.705
Tweety-7B7B.810.778
Goldfish-tat125M.929.874
Llama-4-Scout109B1.084.995
Qwen3-32B32B1.105.979
mGPT-1.3B1.3B1.1991.094
gpt-oss-120b120B2.1811.857

TatBLiMP, morphological acceptability, higher is better.

ModelParamsaccacc_norm
TATlit478M.975.958
Goldfish-tat125M.974.958
Tweety-7B7B.956.915
Gemma-4-31B31B.924.839
Llama-4-Scout109B.889.806
Qwen3-32B32B.811.708
gpt-oss-120b120B.803.677
mGPT-1.3B1.3B.736.639

On the school-knowledge benchmark TUMLU-mini the model sits near chance (0.297 against a 0.25 random baseline), which is expected for a base model with no encyclopedic training.

Limitations

Base model, no instruction following, no encyclopedic knowledge. Softest axis is the person/possessive system inside izafet.

Authors

Ilshat Saetov, Dmitry Gaynullin.

Data

The training corpus is withheld on stewardship grounds for a minoritized language's literary heritage; a full datasheet with per-document provenance is available on reasonable request. The tokenizer and the model weights are released.

License

The model weights and the tokenizer are released under CC BY-NC-SA 4.0. TatBLiMP benchmark is released under CC BY-NC 4.0. The training corpus is not released.

Citation

@software{saetov2026tatlit,
  author    = {Saetov, Ilshat and Gaynullin, Dmitry},
  title     = {TATlit --- a native literary Tatar base language model},
  year      = {2026},
  version   = {1.0},
  publisher = {Zenodo},
  doi       = {10.5281/zenodo.22212736},
  url       = {https://doi.org/10.5281/zenodo.22212736}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Класс архитектуры
LlamaForCausalLM
Ревизия весов
40aafd3

0 моделей