К содержимому
Языковые модели

Lark Punctuation

компактная CoreML-модель пунктуации для диктовки

2 мин чтения

Lark Punctuation — это fp16 CoreML-экспорт модели oliverguhr/fullstop-punctuation-multilingual-base для приложения Lark, нативной диктовки для macOS. Модель восстанавливает точки, запятые и вопросительные знаки в английском ASR-выводе прямо на Apple Neural Engine. Размер после прунинга словаря — около 235 МБ вместо 1060 МБ, параметров 116M вместо 278M.

Ключевые особенности

  • Задача token-classification: расставляет ., , и ? в распознанной речи.
  • Компилированный CoreML ML Program в fp16 с фиксированным входом на 512 токенов.
  • Словарь урезан с 250 002 до 40 000 токенов; токенизатор XLM-R пересобран под новые id.
  • Параметры уменьшены с 278M до 116M, качество на бенчмарке осталось в пределах шума.
  • Токенизатор и модель — согласованная пара: с апстрим-чекпоинтом токенизатор не совместим.

Пример

Сценарий из карточки: ASR-вывод английской диктовки без пунктуации подаётся в CoreML-модель, она возвращает токены с метками ., , и ?. Lark использует результат, чтобы восстановить пунктуацию в тексте; метки - и : модель тоже выдаёт, но приложение их игнорирует.

ПодробнееБенчмарк Lark, все метки: precision/recall 54.8/67.6; на отложенной выборке — 54.6/67.3.
Для вопроса: 74.8/63.5 precision/recall.
Нужен CoreML и Apple Neural Engine; вход фиксирован на 512 токенов.
Экспорт: прунинг словаря по английскому корпусу, проверка совпадения argmax на 50 предложениях (3666/3666 токенов).
Ограничение: вне английского качество не оценивалось и ожидается хуже — словарь потерял большую часть нелатинских фрагментов.
Обсудить Telegram 0

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # handyshed/lark-punctuation
    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 handyshed/lark-punctuation --local-dir ~/models/lark-punctuation
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к lark-punctuation
  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.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Новые посты про версии lark-punctuation — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

handyshed/lark-punctuation
Автор
handyshed
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

CPMG

CPMG