К содержимому
Другое

CrispEmbed English spaCy

языковой бандл для нативного C++ рантайма

2 мин чтенияобновлено

Этот репозиторий содержит языковой бандл английского пайплайна spaCy 3.8.0, конвертированный в формат GGUF для нативного C++ и ggml рантайма CrispEmbed. Модель выполняет токенизацию, разметку частей речи (POS), морфологический анализ, лемматизацию, синтаксический разбор и распознавание именованных сущностей (NER) без необходимости запуска Python в продакшене. Пакет работает на базе библиотеки CrispEmbed с поддержкой v2 рантайма и требует явной инициализации через C ABI. Решение предназначено для разработчиков, интегрирующих NLP-задачи в производительные C/C++ приложения.

Ключевые особенности

  • Нативный рантайм: Полностью C/C++ реализация на базе ggml без зависимостей от интерпретатора Python во время работы.
  • Полный пайплайн: Включает веса F32 для компонентов tok2vec, tagger, parser, attribute_ruler, lemmatizer и ner.
  • Контроль целостности: Жёсткая проверка SHA-256 хешей и размеров файлов на уровне рантайма для предотвращения загрузки некорректных весов.
  • Точность соответствия: Полное совпадение результатов с оригинальным spaCy 3.8.18 на тестовых датасетах UD English-EWT.

Что можно сделать

  • Интеграция в C/C++ сервисы: Встроить быстрый лингвистический анализ текста напрямую в бэкенд-приложения на C++ без накладных расходов Python.
  • Развертывание на边缘-устройствах: Использовать лёгкую языковую модель (около 12 МБ) в окружениях с ограниченными ресурсами.
  • Извлечение сущностей и синтаксиса: Производить разбор предложений, выделение именованных сущностей и лемматизацию через чистый C ABI.

Пример

Инициализация контекста и анализ текста на C:

crispembed_spacy_set_enabled(CRISPEMBED_SPACY_ENABLE_ANALYSIS);
ctx = crispembed_spacy_create_with_resources("bundle/model.gguf", MODEL_SHA256,
                                             "bundle/resources.json", RESOURCES_SHA256, err, sizeof err);
crispembed_spacy_analyze_utf8(ctx, text, len, &doc, NULL, NULL, NULL, NULL, err, sizeof err);
ПодробнееРазмер модели model.gguf: ~12.7 МБ, resources.json: ~3.4 МБ.
Тесты на UD English-EWT (2077 текстов, 25531 токен) показали 100% совпадение результатов с оригинальным spaCy.
Требует сборку CrispEmbed с поддержкой v2 рантайма (PR #244) и соответствующий языковой капсул.
Лицензия: MIT.
Обсудить Telegram 0 58

Запустится ли?

Запустится в GGUF

Влезает самая точная из готовых сжатых версий.

  • GGUFвеса 0.0 GB · готовые файлы0.5 GB

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: GGUF — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # cstr/crispembed-spacy-en-core-web-sm-3.8.0
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download cstr/crispembed-spacy-en-core-web-sm-3.8.0 --local-dir ~/models/crispembed-spacy-en-core-web-sm-3.8.0
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к crispembed-spacy-en-core-web-sm-3.8.0
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии crispembed-spacy-en-core-web-sm-3.8.0 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

cstr/crispembed-spacy-en-core-web-sm-3.8.0
Автор
cstr
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

580

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

laya-cua

laya-cua
Другое

RetCast-JEPA

RetCast-JEPA