К содержимому
Языковые модели

ucast-subtitle-compressor

умное сжатие живых субтитров без галлюцинаций

2 мин чтенияобновлено

Компактная модель для классификации токенов (token-classification) от автора marcosremar2 укорачивает живые субтитры, исключительно удаляя лишние слова. В отличие от генеративных моделей, она ничего не переписывает и физически не может выдумать несуществующие цифры, имена или факты. Модель создана для сервиса ucast.me на базе мультиязычной microsoft/llmlingua-2-bert-base-multilingual-cased-meetingbank (архитектура mBERT, 0.18B параметров, 355 МБ в fp16) и работает с английским, испанским, португальским и французским языками. Подойдёт разработчикам систем транскрибации, вещательных субтитров и проекционных экранов для выступлений.

Ключевые особенности

  • Только удаление слов: модель оценивает вероятность сохранения каждого слова (keep probability), а набор жёстких правил в common.decide отбрасывает лишнее без перефразирования.
  • Защита критически важных данных: постобработка принудительно сохраняет числа, единицы измерения, даты, дни недели, имена, аббревиатуры, отрицания и устраняет полные повторы предложений.
  • Высокая скорость на CPU: в формате ONNX int8 (178 МБ) обработка фрагмента из 25–70 слов занимает всего 13.5 мс в 4 потока на чипе Apple M4.
  • Настройка агрессивности сжатия: параметр порога w (по умолчанию 0.65) позволяет балансировать между степенью сокращения текста и полнотой передачи мыслей.

Что можно сделать

  • Встроить в пайплайн живых субтитров для конференций, лекций и трансляций, чтобы текст легче считывался с экрана во время речи спикера.
  • Использовать как быстрый этап постобработки после систем распознавания речи (ASR) для сокращения длины строк на четырёх поддерживаемых языках.
  • Настроить порог w от 0.35 (безопасное сжатие ~8.1 % слов) до 0.65 (~20.3 % слов) под требования конкретного эфира или интерфейса.

Пример

from transformers import AutoModelForTokenClassification, AutoTokenizer
import sys; sys.path.insert(0, "compressor")
from compress import compress

tok = AutoTokenizer.from_pretrained("compressor")
model = AutoModelForTokenClassification.from_pretrained("compressor").float().eval()
text = "A reunião com a diretoria ficou para quinta-feira, dia vinte. Quem não puder ir tem que avisar a Beatriz até terça."
print(compress(model, tok, text, "pt"))
ПодробнееКачество: на 1 585 новых фрагментах при w = 0.65 модель удаляет 20.3 % слов при 1.32 % серьёзных ошибок (искажение смысла), оценка по вещательной метрике NER на тестовом сплите — 99.00 %.
Обучение: дообучена в течение 4 эпох на 4 868 фрагментах из mTEDx и Europarl-ST, размеченных с помощью Qwen2.5-72B-Instruct.
Ограничения: при w = 0.65 в 23.2 % фрагментов теряется второстепенная мысль, а в 4–5 % случаев нарушается грамматика внутри предложения; не тестировалась на разговорной речи и шумном выходе ASR.
Лицензия: веса распространяются под некоммерческой лицензией CC BY-NC 4.0, код в репозитории — свободный.
Обсудить Telegram 0

Запустится ли?

Запустится в F16

Влезает без сжатия.

  • F16веса 0.3 GB · готовые файлы1.0 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.8 GB
  • 4-bitвеса 0.1 GB0.7 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F16 — 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

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    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.

    # marcosremar2/ucast-subtitle-compressor — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve marcosremar2/ucast-subtitle-compressor --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к ucast-subtitle-compressor
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

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 llmlingua-2-bert-base-multilingual-cased-meetingbank — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 6Все на Hugging Face
Дообучения 1Все на Hugging Face

О модели

marcosremar2/ucast-subtitle-compressor
Автор
marcosremar2
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

ToKpS-23.9K

ToKpS-23.9K
Языковые модели

Сақ бол v3

Сақ бол v3
Языковые модели

Tars 0.5

Tars 0.5