nkrane-mt-marker-en
сверхбыстрый теггер сущностей для машинного перевода
2 min readupdated
nkrane-mt-marker-en — компактная модель классификации токенов (пословной разметки текста) от команды GhanaOpenAI, которая за считаные миллисекунды находит в английском тексте конкретные именные группы, организации, составные титулы и даты, оборачивая их в угловые скобки <...>. Она создана на базе distilbert-base-uncased (66 млн параметров) как компонент пайплайна машинного перевода Nkrane-MT, чтобы модели перевода могли напрямую переносить сложные термины и названия без искажений, оставляя свободным перевод абстрактных понятий. Пригодится разработчикам систем машинного перевода, NLP-пайплайнов и инструментов предобработки английского текста.
Ключевые особенности
- Высокая скорость работы: задержка инференса составляет менее 5 мс на запрос.
- Избирательная разметка: выделяет конкретные объекты, организации и титулы метками
B-PRESERVEиI-PRESERVE, но не трогает абстрактные слова вроде information, peace или justice. - Компактная архитектура: построена на лёгкой distilbert-base-uncased (66M параметров) и обучена на 763 594 парах предложений.
Что можно сделать
- Автоматизировать предобработку перед переводом: встроить в пайплайн Nkrane-MT или аналогичный seq2seq-переводчик, чтобы защитить имена собственные и составные термины от некорректного перевода без ручной разметки.
- Извлекать структурированные фразы из английских текстов: использовать метод
mark()из библиотекиnkrane_mtдля быстрого получения списка конкретных именных групп из сырого текста.
Пример
from nkrane_mt.marker import NounPhraseMarker
marker = NounPhraseMarker(method="model", model_name_or_path="ghanaopenai/nkrane-mt-marker-en")
raw_text = "The president of Ghana visited the Ministry of Finance in May 2026."
marked_text, phrases = marker.mark(raw_text)
print(marked_text) # The visited the in .Подробнее
Метрики: F1 Score — 0.8139, Token Accuracy — 94.70%, Precision — 80.85%, Recall — 81.93%.Скорость инференса: менее 5 мс.
Обучение: 763 594 пары из датасета nkrane-mt-parallel-corpus-eng-twi, оптимизатор AdamW (lr=3e-5, cosine schedule, 500 шагов warmup), одна видеокарта NVIDIA H200 (140 GB VRAM) в bfloat16.
Ограничение: работает только с английским входным текстом (distilbert-base-uncased, без учёта регистра).










Comments