HORST in deinem
eigenen Projekt.

Gewichte, Tokenizer und Code liegen offen. Lokal auf CPU oder Grafikkarte, oder über die Programmierschnittstelle der Demo.

Ressourcen

Modell418 MB

horst-ai

Gewichte (fp16), Tokenizer, Code und Modellbeschreibung.

DemoZeroGPU

HORST-Demo

Im Browser ausprobieren – und als API nutzen.

DatensatzTraining

german-spelling-data

Eigene deutsche Fehlerpaare zum Trainieren.

DatensatzAuswertung

german-ortho

Schwere Rechtschreibaufgaben, nur zur Auswertung gedacht.

Ergebnisseinteraktiv

Ergebnis-Explorer

Alle HORST-Hard-Werte mit Beispielen je Kategorie.

Schnellstart

Die Gewichte liegen als PyTorch-Datei vor, nicht im transformers-Format. Der Code zum Laden gehört zum Download.

TerminalInstallieren und laden

pip install torch sentencepiece huggingface_hub
hf download Bayernator/horst-ai --local-dir horst-ai && cd horst-ai

PythonText korrigieren

import sentencepiece as spm
from evaluate import correct_text, load_model
from prepare import detokenize, split_sentences, tokenize

model = load_model(["horst-ai.pt"], "cpu")  # oder "cuda"
sp = spm.SentencePieceProcessor(model_file="spm.model")

text = "ich weis nicht das es so ist. Morgen gehen wir in die stadt , und kaufen ein."
sents = [tokenize(s) for s in split_sentences(text) if s]
print(detokenize(correct_text(model, sp, sents, beam=5)))

TerminalOder direkt auf der Kommandozeile

python evaluate.py --data . --ckpt horst-ai.pt --correct "ich weis nicht das es so ist"

API über die Demo

Die Demo stellt einen Endpunkt /correct bereit. Er nimmt den Text und die Zahl der Beam-Kandidaten und gibt den korrigierten Text zurück, Absätze bleiben erhalten.

Pythongradio_client

from gradio_client import Client

client = Client("Bayernator/HORST")
result = client.predict(
    "ich weis nicht das es so ist",  # text
    1,                                # beam: 1, 3 oder 5
    api_name="/correct",
)
print(result)

JavaScript@gradio/client

import { Client } from "@gradio/client";

const app = await Client.connect("Bayernator/HORST");
const res = await app.predict("/correct", {
  text: "ich weis nicht das es so ist",
  beam: 1,
});
console.log(res.data[0]);

Parameter	Typ	Bedeutung
`text`	Text	Deutscher Text, höchstens 500 Wörter je Anfrage.
`beam`	Zahl	1 = schnell, 3 = ausgewogen, 5 = sehr genau.

Die Demo teilt sich eine Grafikkarte mit anderen. Es gibt eine Warteschlange und ein knappes Tageskontingent. Für viele Anfragen lieber lokal laufen lassen.

Dateien

Datei	Größe	Inhalt
`horst-ai.pt`	418 MB	Gewichte in fp16, ohne Optimierer-Zustand
`spm.model`	–	SentencePiece-Tokenizer mit 32.000 Wortstücken
`model.py`	–	Transformer-Definition
`evaluate.py`	–	Laden, Korrigieren, F0,5-Auswertung
`prepare.py`	–	Satzzerlegung, Tokenisierung, Zusammensetzen

Grenzen

Stand der Gewichte: Die veröffentlichten Gewichte können älter sein als die auf dieser Seite gemessene Stufe. Maßgeblich ist die Modellbeschreibung auf Hugging Face.
Kontextlänge: Die Gewichte aus Stufe 1 sehen höchstens 256 Wortstücke auf einmal; längere Texte werden in Gruppen geteilt.
Formatierung: Leerzeichen können sich leicht ändern, Zeilenumbrüche innerhalb eines Absatzes bleiben nicht erhalten.
Prüfen: Gedacht für Vorschläge, die ein Mensch prüft – nicht für ungeprüfte Änderungen an rechtlich oder medizinisch relevanten Texten.

Lizenz

Angegeben ist vorläufig Apache-2.0. Weil die Trainingsdaten Quellen unter CC BY-SA enthalten, ist die endgültige Lizenz noch offen. Bis zur Entscheidung bitte nicht als rechtlich geklärt betrachten.

Zitieren

BibTeX

@misc{horst-ai-2026,
  title  = {HORST: deutsche Rechtschreib- und Grammatikkorrektur, von Grund auf trainiert},
  author = {HORST-Projekt},
  year   = {2026},
  url    = {https://huggingface.co/Bayernator/horst-ai}
}

HORST in deinemeigenen Projekt.