/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
98,9 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
7 фев 2024

bert-plus-L8-4096-v1.0

Заполнение пропусковТекст → текст3 профессии

BERT-модель для предсказания замаскированных слов в английском тексте с контекстом до 4096 токенов.

30скачиваний за 30 дней0лайковвеса обновлены29 дек 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

BEE-spoke-data разработала bert-plus-L8-4096-v1.0 — модель семейства BERT для заполнения пропусков в тексте. Это плотный трансформер с 8 слоями, архитектурой BertForMaskedLM и примерно 98,9 млн параметров. В модели используется относительное позиционное кодирование relative_key; заявленная длина контекста — 4096 токенов. Последним указанным обучающим набором был euirim/goodwiki. Карточка приводит результаты оценки и незавершённое сравнение на GLUE, поэтому показатели следует считать предварительными.

Модель подходит для восстановления замаскированных слов и изучения представлений английского текста; указанная языковая метка — en. Весы опубликованы в формате safetensors под лицензией Apache-2.0. Карточка не описывает специализированную настройку под прикладные области.

Сценарии применения

  • восстановление пропущенных слов в английском тексте
  • подстановка маскированных слов при подготовке текстовых данных
  • оценка языковых представлений для экспериментов с NLU

Ограничения

Карточка сообщает, что оценки и сравнения ещё находятся в работе, поэтому приведённые результаты предварительные. Модель описана как чекпойнт для языкового моделирования, без заявленной специализации на конкретных прикладных областях.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BEE-spoke-data/bert-plus-L8-4096-v1.0

image/png

still running some evals, etc. expect the model card to change a bit

* No additional code. This model uses position_embedding_type="relative_key" to help with long ctx.

this checkpoint

Further progression after multitask training etc. The most recent/last dataset it saw was the euirim/goodwiki dataset.

It achieves the following results on the evaluation set:

  • Loss: 1.9835
  • Accuracy: 0.6159

GLUE benchmark

WIP till this text is removed

Thus far, all completed in fp32 (using nvidia tf32 dtype behind the scenes when supported)

ModelSizeAvgCoLASST2MRPCSTSBQQPMNLIQNLIRTE
bert-plus-L8-4096-v1.088.1M82.7862.7290.686.5992.0790.683.290.066.43
bert_uncased_L-8_H-768_A-1281.2M81.6554.092.685.4392.6090.681.090.067.0
bert-base-uncased110M79.0552.193.588.985.871.284.090.566.4

and some comparisons to recent BERT models taken from nomic's blog post:

ModelSizeAvgCoLASST2MRPCSTSBQQPMNLIQNLIRTE
NomicBERT137M84.0050.0093.0088.0090.0092.0086.0092.0082.00
RobertaBase125M86.0064.0095.0090.0091.0092.0088.0093.0079.00
JinaBERTBase137M83.0051.0095.0088.0090.0081.0086.0092.0079.00
MosaicBERT137M85.0059.0094.0089.0090.0092.0086.0091.0083.00

Observations:

  1. Performance Variation Across Models and Tasks: The data highlights significant performance variability both across and within models for different GLUE tasks. This variability underscores the complexity of natural language understanding tasks and the need for models to be versatile in handling different types of linguistic challenges.

  2. Model Size and Efficiency: Despite the differences in model size, there is not always a direct correlation between size and performance across tasks. For instance, bert_uncased_L-8_H-768_A-12 performs competitively with larger models in certain tasks, suggesting that efficiency in model architecture and training can compensate for smaller model sizes.

  3. Task-specific Challenges: Certain tasks, such as RTE, present considerable challenges to all models, indicating the difficulty of tasks that require deep understanding and reasoning over language. This suggests areas where further research and model innovation are needed to improve performance.

  4. Overall Model Performance: Models like roberta-base show strong performance across a broad spectrum of tasks, indicating the effectiveness of its architecture and pre-training methodology. Meanwhile, models such as BEE-spoke-data/bert-plus-L8-4096-v1.0 showcase the potential for achieving competitive performance with relatively smaller sizes, emphasizing the importance of model design and optimization.


Training procedure

The below is auto-generated and just applies to the 'finishing touches' run on goodwiki.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0001
  • train_batch_size: 4
  • eval_batch_size: 4
  • seed: 31010
  • gradient_accumulation_steps: 16
  • total_train_batch_size: 64
  • optimizer: Adam with betas=(0.9,0.98) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 100
  • num_epochs: 1.0

Training results

Training LossEpochStepValidation LossAccuracy
2.12830.251502.08920.6018
2.09990.53002.03870.6084
2.05950.754501.99710.6143
2.04811.06001.98930.6152

Framework versions

  • Transformers 4.37.2
  • Pytorch 2.3.0.dev20240206+cu121
  • Datasets 2.16.1
  • Tokenizers 0.15.1

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
f301fb2

0 моделей