Pour qui
Pour les chercheurs, les développeurs et les équipes qui veulent essayer, évaluer ou intégrer un modèle wolof léger, sur un portable ou un GPU modeste.
TerangaSoft · Open source
Open source
Modèles open source
Teranga-Wolof-4B et Teranga-Wolof-4B-MT : deux petits modèles de langue wolof, publiés sur Hugging Face sous licence CC BY 4.0.
Les deux modèles
Teranga-Wolof-4B
Petit assistant wolof pour usage local (assistant vocal sur téléphone ou GPU de portable). Répond en phrases courtes, à l’oral.
huggingface.co/elhadji/Teranga-Wolof-4B ↗Teranga-Wolof-4B-MT
Le modèle « traduction » : traduit mieux le français et le wolof, et répond moins bien aux questions que le 4B.
huggingface.co/elhadji/Teranga-Wolof-4B-MT ↗- Licence
- CC BY 4.0, comme le modèle de base. Citez Teranga-Wolof et le modèle de base de McGill-NLP (AfriqueQwen).
- Taille
- Environ 4 milliards de paramètres ; fichier GGUF Q4_K_M de 2,7 Go ; adaptateur LoRA de 340 Mo.
- Formats
- GGUF Q4_K_M (Ollama, llama.cpp), adaptateur LoRA PEFT (safetensors), Modelfile Ollama.
- Accès
- Accès libre après acceptation des conditions sur Hugging Face (nom, organisation, pays, usage prévu).
- Publication
- Octobre 2026.
- Modèle de base
- McGill-NLP/AfriqueQwen3.5-4B-50Langs-Instruct-v1
Utilisation
Avec Ollama
# après avoir accepté les conditions sur Hugging Face
hf auth login
hf download elhadji/Teranga-Wolof-4B --local-dir teranga-wolof-4b
cd teranga-wolof-4b
ollama create teranga-wolof-4b -f Modelfile
ollama run teranga-wolof-4b "Naka lañuy defare ceebu jën?"Avec transformers et PEFT
from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer
base = AutoModelForCausalLM.from_pretrained(
"McGill-NLP/AfriqueQwen3.5-4B-50Langs-Instruct-v1",
dtype="bfloat16",
)
model = PeftModel.from_pretrained(base, "elhadji/Teranga-Wolof-4B")
tok = AutoTokenizer.from_pretrained("elhadji/Teranga-Wolof-4B")Gardez le mode « réflexion » désactivé (le gabarit de chat fourni le fait) et donnez un court message système demandant une réponse brève et orale en wolof.
Évaluations publiées
Voici les chiffres publiés dans les model cards sur Hugging Face, sans retouche. Les deux jeux de questions « test156 » et « kiriku44 » sont internes ; les réponses sont jugées par Muse Spark 1.3 (un modèle cloud) contre des références vérifiées par des humains, score = (correct + ½ partiel) / réponses.
| Modèle | Benchmark | Métrique | Score | Date | Source (model card) |
|---|---|---|---|---|---|
| Teranga-Wolof-4B | test156 (questions nouvelles) | Score jugé, Q4_K_M (± 0,07) | 0,24 | oct. 2026 | Teranga-Wolof-4B |
| Teranga-Wolof-4B | kiriku44 (questions à la voix) | Score jugé, Q4_K_M (± 0,15) | 0,37 | oct. 2026 | Teranga-Wolof-4B |
| Teranga-Wolof-4B | Belebele wol_Latn (900 questions) | Précision, % | 41,1 | oct. 2026 | Teranga-Wolof-4B |
| Teranga-Wolof-4B | FLORES-200 fr→wo | chrF++ (adaptateur, hors Q4) | 30,8 | oct. 2026 | Teranga-Wolof-4B-MT |
| Teranga-Wolof-4B | FLORES-200 wo→fr | chrF++ (adaptateur, hors Q4) | 25,4 | oct. 2026 | Teranga-Wolof-4B-MT |
| Teranga-Wolof-4B-MT | test156 (questions nouvelles) | Score jugé, Q4_K_M | 0,17 | oct. 2026 | Teranga-Wolof-4B-MT |
| Teranga-Wolof-4B-MT | kiriku44 (questions à la voix) | Score jugé, Q4_K_M | 0,28 | oct. 2026 | Teranga-Wolof-4B-MT |
| Teranga-Wolof-4B-MT | Belebele wol_Latn (900 questions) | Précision, % (± 3,2) | 44,4 | oct. 2026 | Teranga-Wolof-4B-MT |
| Teranga-Wolof-4B-MT | FLORES-200 fr→wo | chrF++ (adaptateur, hors Q4) | 31,5 | oct. 2026 | Teranga-Wolof-4B-MT |
| Teranga-Wolof-4B-MT | FLORES-200 wo→fr | chrF++ (adaptateur, hors Q4) | 40,6 | oct. 2026 | Teranga-Wolof-4B-MT |
| Référence : Muse Spark 1.3 (cloud) | test156 (questions nouvelles) | Score jugé | 0,44 | oct. 2026 | Teranga-Wolof-4B |
| Référence : Muse Spark 1.3 (cloud) | kiriku44 (questions à la voix) | Score jugé | 0,63 | oct. 2026 | Teranga-Wolof-4B |
| Référence : NLLB-200 | FLORES-200 fr→wo | chrF++ (adaptateur, hors Q4) | 16,8 | oct. 2026 | Teranga-Wolof-4B-MT |
| Référence : NLLB-200 | FLORES-200 wo→fr | chrF++ (adaptateur, hors Q4) | 34,1 | oct. 2026 | Teranga-Wolof-4B-MT |
Évaluations publiées avec les modèles ; non révisées par des pairs. Date : publication des cartes (10 octobre 2026) ; les cartes ne donnent pas de date d’évaluation distincte.
Points faibles, tels que les cartes les décrivent
- Sur des questions nouvelles, le 4B reste loin d’un grand modèle cloud : 0,24 contre 0,44 (test156).
- Le 4B-MT répond moins bien aux questions que le 4B (0,17 contre 0,24) ; en revanche il traduit mieux (wolof vers français : 40,6 contre 25,4).
- La traduction n’est mesurée que sur du français pur et du wolof pur ; le mélange des deux n’est pas mesuré.
- La version Q4_K_M perd un peu de qualité par rapport à la version bf16.
Les cartes précisent aussi les limites d’usage : réponses courtes à l’oral, non testé sur de longs documents, du code ou des outils.