Dull

TAG ar gyfer y Gymraeg: gweithrediad cyfeirio agored

Sut mae’r biblinell yn gweithio, beth sy’n wahanol amdani, a sut y gallwch chi ei rhedeg, ei chyfnewid, neu ei ymestyn.

§ 01

Beth yw hyn

Gweithrediad cyfeirio agored o Gynhyrchu Atodol gan Derminoleg (Terminology-Augmented Generation, TAG) ar gyfer y Gymraeg yw CognioCymru. Mae’n adeiladu ar BydTermCymru a thua 2.6 miliwn o barau brawddegau Saesneg↔Cymraeg trwyddedig OGL/CC‑BY i gywiro allbynnau model iaith mawr sy’n gor-ddibynnu ar gyfystyron Saesneg neu eiriau bathiad mympwyol. Mae’r paradigm yn gysylltiedig ag erthygl Di Nunzio (JDTL 2025) lle mae TAG yn cael ei gyflwyno fel rhywbeth gwahanol yn dechnegol i RAG: chwiliad penderfyniadol o fanc terminoleg, nid adfer tebygolrwydd o storfa fector.

§ 02

Pam mae’n bwysig

Mae modelau iaith fyd-eang yn cynhyrchu Cymraeg sy’n rhugl yn arwynebol ond sy’n drifftio ar dermau sefydledig: cyfieithiadau llythrennol o’r Saesneg lle mae cyfystyron canonaidd yn bodoli, anghysondeb cofrestr rhwng paragraffau, geiriau bathiad mympwyol pan mae BydTermCymru yn cynnig dewis swyddogol. Yr enw ar y broblem hon yw cywirdeb terminoleg — ac mae’n union beth mae TAG wedi’i gynllunio i’w drwsio.

Mae tri rheswm penodol pam fod gweithrediad agored Cymraeg yn werthfawr nawr. Yn gyntaf, mae gweithrediad TAG Kaleidoscope ar gau o ran ffynhonnell (gweler Di Nunzio 2025 am yr angor academaidd; mae’r cynnyrch Quickterm ei hun yn fasnachol). Yn ail, mae data hyfforddi Cymraeg NVIDIA UK‑LLM Nemotron yn cael ei gynhyrchu yn synthetig trwy gyfieithu peirianyddol o’r Saesneg gan ddefnyddio gpt‑oss‑120b a DeepSeek‑R1 — sef yn union y modd o fethu y mae TAG yn ei drin. Yn drydydd, mae stoc model agored techiaith yn fyw ond mae ei ddogfennaeth yn denau (does dim sgôr gwerthuso, dim trwydded ar y cerdyn model, mae’r Gofod cyhoeddus wedi’i atal).

§ 03

Pensaernïaeth

Mae’r biblinell TAG ar gyfer Cymraeg yn fyr: testun mewn (Cymraeg neu Saesneg), chwiliad penderfyniadol o BydTermCymru (cyfatebiaeth union, cyfatebiaeth ffuzzy, cyfatebiaeth lemma), chwistrelliad o’r cyfystyron sy’n cyfateb i’r ysgogiad fel cyfyngiad cynhyrchu, galwad model, gwiriad cywirdeb yn ôl yn erbyn yr enghreifftiau a gafwyd. Mae’r cam chwistrelliad yn rhedeg yn fyw yn cultural-correct-hybrid.ts, llinell 122.

scripts/cultural-correct-hybrid.ts:122

§ 04

Lôn newid model sylfaen

Mae TAG yn agnostig o ran y model sylfaen. Mae’r biblinell a’r derminoleg yn aros yn sefydlog; mae’r model yn newid wrth i opsiynau agored aeddfedu.

§ 05

Dull gwerthuso

Mae pob stori sy’n cael ei phrosesu gan y biblinell yn cael ei sgorio yn erbyn pedwar dimensiwn cyfochrog yn erbyn cywiriadau dynol safon aur. Mae v2.0 yn cyhoeddi’r dull a stub o’r metrig cywirdeb terminoleg ar y corpws 1,185 stori sydd wedi’i gywiro. Mae v2.1 yn ychwanegu cymhariaeth ochr-yn-ochr Ollama yn erbyn techiaith. Mae v2.2 yn ychwanegu UK‑LLM pan fydd ar gael.

• Cywirdeb terminoleg

  Canran o dermau BydTermCymru yn y testun ffynhonnell sy’n cael eu cyflwyno gyda’r cyfystyr Cymraeg canonaidd — y prif fetrig TAG.

• Cywirdeb semantig

  Tebygrwydd cosine ar lefel brawddeg rhwng allbwn cywiredig a safon aur (LaBSE yn ymgeisydd, i’w benderfynu).

• Priodoldeb cofrestr

  Cynnal cofrestr ffurfiol / newyddiadurol. Boolean gan adolygwr dynol yn v2.0; awtomeiddiadwy yn ddiweddarach.

• Cysondeb dimensiynol

  Cytundeb ar 7 Nod Llesiant / 5 Ffordd o Weithio (boolean) + sgoriau 7 dimensiwn yn erbyn y safon aur.

§ 06

Annibyniaeth

Mae CognioCymru yn weithrediad cyfeirio agored annibynnol. Defnyddir data agored Llywodraeth Cymru o dan OGL — nid prosiect Llywodraeth Cymru mohono. Cydweithrediad cymheiriaid â’r ecosystem AI Cymraeg yw’r berthynas, nid contract na chyflogaeth.

Mae’r ymrwymiadau sy’n diffinio’r prosiect — agored, sofren, dwyieithog, atgynyrchadwy — wedi’u cofnodi yn fanwl yn y memo sgop-yn-ôl v2.