sozkz-corpus-gec-benchmark-kk-v1

Казахстанский GEC-бенчмарк. Используйте сплит test (200 примеров) для официального сравнения.

Splits

Split	Examples	Source
test	200	Канонический тест — для официального бенчмарка Word F0.5
synthetic	401	GPT-4o синтетические ошибки
organic_social	486	Реальные ошибки из соцсетей (аннотация GPT-4o)
synthetic_smoke	349	Синтетические smoke-тест примеры

Schema

• input — ошибочный казахский текст
• target — исправленный эталон
• error_tag — тип ошибки (orthography/spelling, morphosyntax/agreement и др.)
• source — источник данных

Leaderboard — 200-example canonical test (Word F0.5)

Model	Exact Match	CER ↓	Word Prec	Word Rec	Word F0.5 ↑	Identity
sozkz-fix-mt5-50m-kk-gec-v1	62.0%	0.0802	0.494	0.661	0.520	100%
sozkz-nllb-1b-kk-gec-v1	44.0%	0.2447	0.233	0.550	0.264	61.5%
sozkz-nllb-1b-kk-pretrain-v1	43.5%	0.2643	0.206	0.543	0.235	61.5%

Leaderboard — 100-example custom test (Exact Match %)

Чистый инференс модели без pre/post пайплайна. Категории: 30 орфография, 20 грамматика, 15 пунктуация, 20 смешанный, 15 identity.

Model	Total	Емле/30	Грамм/20	Пункт/15	Смеш/20	Ident/15
sozkz-core-llama-600m-kk-gec-v1	47%	15	12	3	2	15/15
sozkz-fix-qwen-500m-kk-gec-v3	38%	0	16	9	0	13/15
sozkz-core-llama-300m-kk-gec-v4	37%	9	6	4	3	15/15
sozkz-fix-qwen-500m-kk-gec-v1	35%	0	12	8	0	15/15
sozkz-fix-qwen-500m-kk-gec-v2	30%	0	11	7	0	12/15
sozkz-core-llama-1b-kk-gec-v1	16%	2	6	1	0	7/15
sozkz-fix-qwen-500m-kk-gec-v4	5%	0	1	4	0	0/15
sozkz-fix-mt5b-kk-gec-run13-v1	5%	0	2	0	0	3/15
sozkz-nllb-1b-kk-gec-v1	1%	0	1	0	0	0/15
sozkz-nllb-1b-kk-pretrain-v1	1%	0	1	0	0	0/15
sozkz-core-llama-300m v1/v2a/v2b/v3	0–1%	0	0–1	0	0	0–1
sozkz-fix-mt5-50m-kk-gec-v1	0%	0	0	0	0	0/15

Usage

from datasets import load_dataset

ds = load_dataset("stukenov/sozkz-corpus-gec-benchmark-kk-v1")
test = ds["test"]
print(test[0])
# {'input': '...', 'target': '...', 'error_tag': '', 'source': ''}