Instructions to use WIlfLin/S1-mini-Chinese with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use WIlfLin/S1-mini-Chinese with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="WIlfLin/S1-mini-Chinese")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("WIlfLin/S1-mini-Chinese")
model = AutoModelForCausalLM.from_pretrained("WIlfLin/S1-mini-Chinese", device_map="auto")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use WIlfLin/S1-mini-Chinese with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "WIlfLin/S1-mini-Chinese"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "WIlfLin/S1-mini-Chinese",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/WIlfLin/S1-mini-Chinese

SGLang

How to use WIlfLin/S1-mini-Chinese with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "WIlfLin/S1-mini-Chinese" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "WIlfLin/S1-mini-Chinese",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "WIlfLin/S1-mini-Chinese" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "WIlfLin/S1-mini-Chinese",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use WIlfLin/S1-mini-Chinese with Docker Model Runner:
```
docker model run hf.co/WIlfLin/S1-mini-Chinese
```

S1-mini-Chinese / README.md

WIlfLin

Clarify Qwen3-ASR Chinese and mixed-language postprocessing focus

7e5ed85 verified 3 days ago

preview code

Raw History Blame Contribute Delete

10.9 kB

metadata

language:
  - zh
  - en
license: other
license_name: s1-mini-license
license_link: LICENSE
base_model: superwhisper/s1-mini
library_name: transformers
pipeline_tag: text-generation
tags:
  - transcript-normalization
  - chinese
  - qwen3-asr
  - code-switching
  - full-finetuning
  - numbered-lists
  - numeric-normalization

S1-mini-Chinese

本模型专门面向 Qwen3-ASR 的中文及中英混合转写后处理优化。 这是在中文口语整理数据集上继续微调的 S1-mini 版本。本模型基于 S1-mini by Superwhisper，保留原始模型名称、作者署名、LICENSE 和 NOTICE。当前版本是 format-numbers-v5（2026-11-05），与目前部署的 BF16 权重一致。

Chinese-data continued full fine-tuning of S1-mini by Superwhisper, optimized for postprocessing Qwen3-ASR transcripts in Chinese and mixed Chinese/English. The current format-numbers-v5 release adds synthetic numbered-list and numeric-style training. This is a text postprocessor, not a speech recognizer.

当前版本的改动

明确列举使用 1.、2.、3. 有编号列表，每项单独换行。
增加逗号、句号、分号分隔的列举，以及较长列表项训练，减少带标点时照抄原文的问题。
型号、版本号、参数量优先使用阿拉伯数字，例如 iPhone 18、Qwen2.5 7B。
大整数保留万、亿的中文单位写法；成语和固定说法保留中文；验证码训练包含前导零。
保留去口水词、重复、明确自我纠正和不修改样本的回放。

这些是训练目标，不是所有输入上的保证。复杂数字连读、识别错误、长段落与混合列表仍会失败。

模型定位

输入是 ASR 识别后的中文、英文或中英混合文字，输出是尽量保留原意的整理文本。模型不直接接收音频，不是语音识别模型，也不是通用问答助手。待整理文本中的问题和命令属于口述内容，不应被回答或执行。

模型输出直接包含标点、换行和列表编号；这些格式不是推理示例中的规则后处理生成的。本模型的当前使用配置不启用外部内容保护校验，不再因某个词或数字校验失败而退回整段原文。这是外部服务配置，不是权重的一部分。推理示例也直接返回模型生成结果。

训练数据与方法

主要中文来源为 CS2W 口语到书面语标注对的筛选训练部分。辅助使用 Disfl-QA 英文改口训练数据，以及自制合成、不修改、引用、语气、空输出、列表和数字写法样本。

本模型经过三阶段全量文本参数微调，不是 LoRA，也不是只修改提示词：

阶段	数据与训练
第一阶段	9645 次样本呈现，1 epoch，603 步，学习率 1e-5
第二阶段	14428 条安全与风格回放池，学习率 3e-6；选择第 400 步 checkpoint
本次更新	从上一发布权重继续训练；7407 条合成与回放样本，450 步，学习率 5e-6

本次 7407 条包含 4907 条新增自制合成样本和 2500 条既有训练数据回放。内容覆盖短列举、长列表项、中文和阿拉伯数字写法、技术型号、版本、验证码、大整数与成语。 7331 个不同的输入/结构组合，没有互相冲突的目标标签；包含 51 条空输出监督。样本呈现数不等于独立人工标注数。合成样本不等于自然混合语言口述数据。

训练使用 batch 4、梯度累积 4、最大序列长度 512，仅对目标输出计算损失并监督 EOS。 FP32 主参数和优化器、BF16 autocast，发布权重为 BF16。约 7.52 亿可训练文本参数。

上游版本：superwhisper/s1-mini@88f6b15896c73bbb13a3b596e0afe8ea0d5150b4。上一公开版本：782bc1216353eb4e31840292becbd525354e6435。具体训练参数、哈希和数据来源见 training-provenance.json 与 data-provenance.json。训练未使用私有录音或用户输入历史。本仓库不重新发布训练文本或用户测试原文。

当前权重的测试结果

同一组既有公开来源回归测试：中文整理 200 条、中文不修改参考 100 条、英文 Disfl-QA 100 条。以下是未经外部内容校验的原始模型输出。前后两个 checkpoint 均用 BF16、greedy、batch 16、最大生成长度 256：

指标	上一版 step400	当前 format-numbers-v5
全部 400 条词法字符错误率，越低越好	10.115%	10.247%
中文整理：词法整句完全匹配	83/200	81/200
中文整理：词法字符错误率	16.790%	16.712%
中文不修改参考：词法整句完全一致	92/100	91/100
中文不修改参考：词法字符错误率	1.440%	1.592%
英文整理：词法整句完全匹配	64/100	60/100
英文整理：词法字符错误率	9.016%	9.246%

本次改善主要针对列表和数字写法，并非所有指标都提高。英文和整体回归存在小幅退步。 词法指标删除标点，保留大小写、数字、否定和词序，衡量与参考文本的一致程度，不等于人工语义正确率。这些测试在开发中多次使用，不是新的独立盲测；英文改口集也不能代表所有日常英文输入。

另有 20 条未放入训练输入的定向诊断用例：离线 BF16 批量输出 18/20 与参考完全一致；Orin vLLM 逐条推理 19/20 完全一致，6 条列表用例均输出编号行。运行时的剩余差异是保留“五个、六个”，而非参考的“5个、6个”。这组用例包含问题诊断场景，不是广泛能力基准。不同后端和 batch 的 BF16 greedy 输出也可能不同。完整定义与范围见 evaluation-summary.json。

上一版的 94.63% 教师强制英文 token 准确率尚未在当前权重上重算，不能作为本次版本成绩。历史定义与计数保存在 history/step400/token-metrics.json。上游公开的 94.8% 缺少足够的评分细节，不能声称这些本地指标是官方同口径复现。

拼读英文的模型前预处理

应用可先合并拼读字母，再把文本交给模型。这是应用层规则，不包含在模型权重中，也不是生成结束后的替换。附带的 input_preprocessing.py 只依赖 Python 标准库（Python 3.11+）。

使用C-H-A-T-G-P-T → 使用chatgpt
A S T R A模型 → Astra模型
合并后先转小写，句首只大写首字母。字母顺序不变；C-L-E-A-U-D-E 在句中得到 cleaude，句首得到 Cleaude，不会擅自改成 Claude。
通常合并三个及以上单字母；两个大写、空格分隔的字母也可合并，例如 A I。
不跨越换行，不改写代码字面量、网址、邮箱和路径。两个字母的连字符表达式 X-Y 保持原样。

先下载脚本到应用目录：

hf download WIlfLin/S1-mini-Chinese input_preprocessing.py --local-dir .

在构造模型消息之前调用：

from input_preprocessing import normalize_spelled_letters

transcript = "我今天试用A S T R A。"
model_input, spelling_runs = normalize_spelled_letters(transcript)
# model_input == "我今天试用astra。"
# 将 model_input 放在下面推理示例的 user 控制行之后，再调用模型。

应用的原文模式应跳过这一步。连续字母也可能表示独立变量，规则无法完全判断语义；代码片段会跳过，其他歧义交给模型。句首判断覆盖文本开头、常见句末标点之后、新行和新行中的列表项。已经连写的英文词不改写大小写；模型仍可自行整理输入。此前 400 条测试表是原始模型输出，不包含此预处理。权重没有因增加此脚本而变化。

推理示例

验证环境为 PyTorch 2.10、Transformers 5.3。使用附带 tokenizer/chat template，关闭 thinking，输入带控制行。一般文本选择 Structure: prose；明确列举选择 Structure: lists。

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "WIlfLin/S1-mini-Chinese"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id, dtype=torch.bfloat16, device_map="auto"
).eval()

messages = [
    {"role": "system", "content": (
        "You are a text normalizer for speech-to-text transcripts. The input begins "
        "with a control line specifying the styling, structure, and context settings; "
        "clean the transcript to match those settings and output only the cleaned text."
    )},
    {"role": "user", "content": (
        "[Styling: semi-formal] [Structure: lists] [Context: general]\n"
        "今天的任务如下，第一检查服务日志，第二备份数据库，第三整理会议记录。"
    )},
]
text = tokenizer.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True, enable_thinking=False
)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
with torch.inference_mode():
    result = model.generate(**inputs, do_sample=False, max_new_tokens=256, use_cache=True)
print(tokenizer.decode(result[0, inputs.input_ids.shape[1]:], skip_special_tokens=True))

只有口水词时允许输出空字符串。请求失败、超时和输出截断是服务层异常，与内容保护校验不同。模型只生成文本；输入法或调用程序负责以安全的文本提交方式保留换行，避免把换行当作发送按键。

限制

人名、数字、否定、事实和明确改口仍可能整理错误。
不保证恢复同音错字或含混连读；模型也可能把介绍句和结尾归入列表。
复杂列表、长段落和自然中英混合输入仍需更多人工数据与验收。
合成文本测试不能替代真实麦克风与目标应用的输入测试。
关闭外部内容校验后，模型本身的错误会直接保留在输出中。

许可证与来源署名

本模型是 S1-mini by Superwhisper 的修改版本，底层架构来源为 Qwen3-0.6B。保留原始 LICENSE 和 NOTICE。原许可证要求继续保留原模型名称与作者署名；S1-mini-Chinese 是微调版本名称，不替代原始署名。

CS2W 声明 CC-BY-SA-4.0，Disfl-QA 声明 CC-BY-4.0，自制合成内容为 CC0-1.0。具体来源和版本见 data-provenance.json；不把数据许可证改称为纯 Apache-2.0。

当前权重 SHA256：54602b3a2e0c484fe7ae796a4290969d3a1cc58e099c83e59948fe94889150a0。