/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
ModernBERT-base
Библиотека
transformers
Опубликована
30 сен 2025

ModernBERT-base

Заполнение пропусковТекст → текст5 профессий

Скандинавская версия ModernBERT-base для заполнения пропусков, извлечения эмбеддингов и дообучения на задачах понимания текста.

562скачиваний за 30 дней2лайкавеса обновлены1 окт 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AI Sweden разработала эту модель как продолжение предобучения answerdotai/ModernBERT-base на текстах Скандинавии. Это плотная encoder-only модель ModernBERT для заполнения пропусков в тексте и построения решений понимания текста. Модель содержит около 149 млн параметров, использует токенизатор, обученный с нуля, и сохраняет контекстное окно в 8192 токена с RoPE и локально-глобальным вниманием.

Модель обучалась на скандинавских текстовых корпусах The Nordic Pile и SWEb примерно на 1,2 трлн дополнительных токенов. Она предназначена для заполнения пропусков, извлечения эмбеддингов и дообучения для задач NLP на шведском, норвежском, датском и исландском языках; также может служить заменой BERT-подобного энкодера. Лицензия — Apache-2.0.

Это исследовательский артефакт. Веб-корпуса могут содержать шум, стереотипы и чувствительные материалы, а экстраполяция RoPE за пределы 8192 токенов не проверена и может ухудшить качество.

Сценарии применения

  • восстановление пропущенных слов в шведском тексте
  • восстановление пропусков в норвежском, датском и исландском тексте
  • извлечение эмбеддингов скандинавских текстов
  • дообучение энкодера для классификации скандинавских текстов
  • дообучение для распознавания именованных сущностей на скандинавских языках
  • дообучение для ответов на вопросы по скандинавским текстам

Ограничения

Веб-корпуса могут содержать шум, стереотипы и чувствительный контент. Экстраполяция RoPE за пределы контекста в 8192 токена не проверена и может снизить качество.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Overview

This checkpoint continues the pre-training of answerdotai/ModernBERT-base on Scandinavian text, extending the model’s knowledge with ~1.2 trillion additional masked-language-model (MLM) tokens drawn from The Nordic Pile and SWEb while preserving the original 8k token context window.

This is a research artefact and is only intended for research purposes.

Our tokenizer is trained from scratch on a subset of 11 985 103 472 tokens.

The training is done in one stage with 8192 tokens per sample for the whole run.

Data Sources

CorpusSizeSelected LanguagesHighlights
The Nordic Pile1.2 TB raw textsv, no, da, isNine diverse categories (CC, Wikipedia, Books, Code, etc.), filtered and deduplicated for high quality
SWEb1 T+ tokens (~3.6 TB)sv, no, da, is98 Common-Crawl snapshots with model-based HTML extraction; 1.2 B documents

Training Setup

SettingValue
Parameters150 M
Context length8 192 tokens (RoPE + local-global attention)
Tokens processed1.20 × 1012
Tokens per batch1 572 864
Global batch192 sequences (micro-batch = 3)
Optimizer & scheduleDecoupled StableAdamW, lr 2 e-4, cosine decay (1 % warm-up)
PrecisionAMP-bf16
Hardware8 nodes × 8 AMD MI250X GPUs (64 GPUs) on the EuroHPC LUMI-G system

See training details here

Training Stats

[token=1198511677292/1198510347252]:
  Train time/batch: 873585
  Train time/sample: 167728320
  Train time/batch_in_epoch: 3558
  Train time/sample_in_epoch: 683136
  Train time/token: 1198510256276
  Train time/token_in_epoch: 4882888303
  Train trainer/device_train_microbatch_size: 3
  Train loss/train/total: 0.9966
  Train throughput/batches_per_sec: 1.3117
  Train throughput/samples_per_sec: 251.8442
  Train throughput/device/batches_per_sec: 0.0205
  Train throughput/device/samples_per_sec: 3.9351
  Train throughput/tokens_per_sec: 1804244.5198
  Train throughput/device/tokens_per_sec: 28191.3206
  Train time/train: 184.5555
  Train time/val: 0.0000
  Train time/total: 184.5555
  Train lr-StableAdamW/group0: 0.0000
  Train lr-StableAdamW/group1: 0.0000

Intended Use

This is a research artefact and is only intended for research purposes.

  • Fill-mask inference, embedding extraction and fine-tuning for Scandinavian downstream NLP tasks (classification, NER, QA, etc.).
  • Drop-in replacement for BERT-style encoders (omit token_type_ids).

Fill-mask

from transformers import pipeline
unmasker = pipeline('fill-mask', model='AI-Sweden-Models/ModernBERT-base')
unmasker("Huvudstaden i Sverige är [MASK].")
[{'score': 0.0629318505525589,
  'token': 2961,
  'token_str': ' Stockholm',
  'sequence': 'Huvudstaden i Sverige är  Stockholm.'},
 {'score': 0.03635135293006897,
  'token': 49763,
  'token_str': 'awesome',
  'sequence': 'Huvudstaden i Sverige är awesome.'},
 {'score': 0.03006783314049244,
  'token': 751,
  'token_str': ' stor',
  'sequence': 'Huvudstaden i Sverige är  stor.'},
 {'score': 0.029827557504177094,
  'token': 71,
  'token_str': 'a',
  'sequence': 'Huvudstaden i Sverige är a.'},
 {'score': 0.019739385694265366,
  'token': 79,
  'token_str': 'i',
  'sequence': 'Huvudstaden i Sverige är i.'}]

Limitations & Biases

  • Web corpora can contain noise, stereotypes and sensitive content despite filtering.
  • RoPE extrapolation beyond 8 k tokens is untested and may degrade.

Code to reproduce

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertForMaskedLM
Ревизия весов
0bf7382

0 моделей