khammoon

khammoon

把泰语文本切分成语素，也就是仍有意义的最小单位，使用只有 4 MB、能在 CPU 上运行的模型，适合泰语语言研究者和开发者。

由 typhoon-ai 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：khammoon 是一个小型的泰语文本切分工具。它按照项目 linguistics 文件夹里的标注准则，把泰语文本切成语素，也就是仍有意义的最小单位。通常的泰语分词器会让复合词保持完整，而 khammoon 会把它们拆成有意义的部分。这个模型以字符为单位，大小约 4 MB，约有 1.06M 个参数，在 CPU 上运行，不需要 GPU，也不需要大语言模型。

适合谁：为词性标注、实体识别或情感分析准备文本的泰语工程师和研究者会觉得合适。遵循同一套语素准则的语言学家也可以用。

行业 | 谁在用 | 怎么用 | 例子
NLP 研究 | 泰语 NLP 研究者 | 在训练标注器之前把文本切成语素 | 为词性标注准备语料
搜索与文本工具 | 软件工程师 | 在普通 CPU 上把泰语字符串切成小单位 | 拆分商品目录里的商品名称
语言学 | 语言学家 | 在大型语料上套用同一个语素定义 | 检查一个复合词是怎么拆开的
教育 | 语言工具开发者 | 向学习者展示一个词的有意义部分 | 把一个复合词拆成各个部分

如果你处理的不是泰语，可以跳过它，因为模型卡只列出了泰语。

用在哪里：

• Python 脚本，通过 khammoon 软件包
• 命令行，khammoon 工具会逐行读取文本
• 能加载 ONNX 模型的程序，因为 Hugging Face 列出了 ONNX 格式
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

用途 | 适合谁 | 得到什么
准备训练文本 | NLP 研究者 | 每个句子对应的一串语素标记
处理语料库 | 数据工程师 | 一次批量得到许多文本的标记列表
在终端里快速检查 | 语言学家 | 一个短语的各个部分显示在一行里

如何设置：你需要带 pip 的 Python。模型卡说基础软件包只需要 numpy，onnxruntime 是用来提速的可选附加项。

• Python 和 pip，在 Windows、macOS 或 Linux 上
• khammoon 软件包，只需要 numpy
• 可选：onnxruntime，模型卡说它大约快 2.4 倍，输出相同
• 约 4 MB 的空间，用于模型

1. 用 pip 安装 khammoon 软件包。
2. 可选：加装 onnxruntime 以使用更快的后端。
3. 在 Python 里导入它并切分一个泰语字符串。

pip install khammoon
pip install -U huggingface_hub
hf download typhoon-ai/khammoon

如何使用：对一个泰语字符串调用 segment 函数，它会返回一个由各部分组成的列表。处理多个文本时，把整个列表一次交给 Segmenter，这比分开调用更快。命令行工具会逐行读取标准输入。

khammoon "โรงเรียนสอนคนตาบอด"

工具 | 作用
segment | 把一个泰语字符串切成语素列表
Segmenter | 加载内置模型，用于重复调用或批量调用
threshold | 值越低，边界越多，召回越高
backend | 选择 onnx 或 numpy，auto 会在装有 onnxruntime 时使用 onnx
khammoon 命令 | 从终端或管道输入切分文本

示例：你对模型卡里的那个短语运行命令行工具。它会输出六个部分：โรง、เรียน、สอน、คน、ตา 和 บอด。

新手与专家：语素是一个词里仍有意义的最小部分。一个好的第一步是对一个短的泰语短语运行那条单行命令，然后看看切出来的各个部分。

这个模型约有 1.06M 个参数，它学习的标签来自一个分两遍切分文本的大语言模型。模型卡说，在它的测试集上，khammoon 的错误比那个模型少约 5 倍。它从不改动原文：把各个部分连起来总能还原输入，每个空格单独成一个部分，切分只会出现在泰语字符簇之间。在模型卡的 2,000 篇文档测试里，边界 F1 是 0.992，而 AttaCut 是 0.925。模型卡指出，旧工具切分的是词，所以它们的召回率本来就低。这些分数来自作者。

你传入一个泰语字符串
模型给字符簇之间的每个边界打分
高于阈值的边界变成切分点
你得到一个语素标记的列表

Title: 模型卡测试集上的边界 F1，越高越好
PyThaiNLP newmm: 0.802 F1
deepcut: 0.921 F1
AttaCut: 0.925 F1
LLM segmenter: 0.962 F1
khammoon: 0.992 F1

注意事项：

• License：cc-by-nc-sa-4.0，以 Hugging Face 上列出的为准，所以在任何付费使用之前请先看清条款
• Cost to run：没有提到，而且不需要 GPU
• Data it reaches：你交给它的泰语文本，来源没有提到网络或账号访问
• 单个 CPU 线程上的速度：ONNX 约每秒 30,000 个字符，numpy 约 13,000 个
• Not for：泰语以外的语言，因为模型卡只列出了泰语
• 这里是按语素定义给旧工具打分，而不是看它们自己的分词任务

Hugging Face 上的数据（2026年11月13日）

• 任务：token classification
• 框架：onnx
• 最近 30 天下载：0
• 点赞：4
• 许可证：cc-by-nc-sa-4.0
• 语言：th
• 标签：onnx, thai, word-segmentation, morpheme-segmentation, token-classification

链接

• 模型：https://huggingface.co/typhoon-ai/khammoon
• 文件：https://huggingface.co/typhoon-ai/khammoon/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download typhoon-ai/khammoon

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。