Shu-vi/Russian_Unigram_Tokenizer_16k

🇷🇺 Russian Unigram Tokenizer 16k

Russian Unigram Tokenizer 16k — subword токенизатор, обученный с нуля на корпусе русскоязычных новостных текстов.

---

🧠 Описание модели

• Тип модели: Subword токенизатор (Unigram)
• Язык: Русский
• Алгоритм: Unigram
• Размер словаря: 16 000
• Минимальная частота: 3
• Нормализация: NFKC
• Пре-токенизация: Whitespace

---

📚 Корпус

Токенизатор обучен на корпусе из 55 000+ слов, собранных с русскоязычных новостных сайтов:

• ria.ru
• lenta.ru
• meduza.io
• kommersant.ru

(Корпус собран в 2025 году и включает тексты новостных статей разных тематик.)

---

📊 Метрики

Метрика	Значение	Описание
OOV rate	1%	Доля слов, отсутствующих в словаре
Reconstruction accuracy	0%	Точность восстановления исходного текста после токенизации
Compression ratio	0.5	Коэффициент сжатия корпуса

---

🚀 Пример использования

from tokenizers import Tokenizer

tokenizer = Tokenizer.from_pretrained("Shu-vi/Russian_Unigram_Tokenizer_16k")

# Пример
text = "В Казани в 2024 прошёл БРИКС."
encoded = tokenizer.encode(text)

print("Токены:", encoded.tokens)
print("IDs:", encoded.ids)