/ Модель

Характеристики

Контекст
8 192 токена
Параметры
307 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
MrBERT
Библиотека
transformers
Опубликована
23 дек 2025

MrBERT-biomed

Заполнение пропусковТекст → текст3 профессии

Многоязычный биомедицинский энкодер ModernBERT для предсказания замаскированных слов и адаптации текстовых моделей к медицинским данным.

304скачиваний за 30 дней1лайквеса обновлены9 апр 2026

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

MrBERT-biomed — многоязычная биомедицинская модель на архитектуре ModernBERT, разработанная Language Technologies Lab Барселонского суперкомпьютерного центра. Это энкодер с 307 млн параметров, дообученный на биомедицинском корпусе объёмом 24,13 млрд токенов в течение двух эпох; задача обучения — masked language modeling. Модель принимает текст и предсказывает замаскированные токены. Контекст — до 8192 токенов.

Модель предназначена для адаптации к биомедицинским текстам, включая извлечение сущностей и поиск по медицинским публикациям. В README приведены результаты оценки распознавания биомедицинских сущностей на испанском языке; данные не подтверждают, что репозиторий включает отдельную модель эмбеддингов или поиска. Основная часть обучающих данных — английская и испанская; также использовались немецкий, итальянский, французский и небольшие доли португальского и русского. Распространяется по лицензии Apache-2.0. Авторы предупреждают о возможных смещениях и искажениях; для прикладных систем требуется учитывать соответствующие риски и требования законодательства.

Сценарии применения

  • предсказание пропущенных слов в биомедицинских текстах
  • адаптация энкодера для распознавания медицинских сущностей
  • извлечение упоминаний лекарств и заболеваний из испанских текстов
  • эксперименты с поиском по биомедицинским публикациям

Ограничения

README предупреждает о возможных смещениях и непреднамеренных искажениях. Оценки NER приведены для испанского языка и не гарантируют такое же качество на других языках или в клиническом применении.

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

MrBERT-biomed Model Card

MrBERT-biomed is a new foundational multilingual biomedical model built on the ModernBERT architecture. The model is obtained via domain adaptation from MrBERT, initializing all weights from MrBERT-es and further training on a domain-specific biomedical corpus comprising 24.13B tokens for 2 epochs. The training data is predominantly English (84.7%), followed by Spanish (14.8%), with smaller portions of German (0.18%), Italian (0.11%), French (0.11%), and minor traces of Portuguese and Russian.

Technical Description

Technical details of the MrBERT-biomed model.

DescriptionValue
Model Parameters308M
Tokenizer TypeSPM
Vocabulary size25600
Precisionbfloat16
Context length8192

Training Hyperparemeters

HyperparameterValue
Pretraining ObjectiveMasked Language Modeling
Learning Rate2E-03
Learning Rate SchedulerCosine
Warmup2,400,000,000 tokens
Optimizerdecoupled_stableadamw
Optimizer HyperparametersAdamW (β1=0.9,β2=0.98,ε =1e-06 )
Weight Decay1E-05
Global Batch Size512
Dropout1E-01
Activation FunctionGeLU

How to use

>>> from transformers import pipeline
>>> from pprint import pprint

>>> unmasker = pipeline('fill-mask', model='BSC-LT/MrBERT-biomed')

>>> pprint(unmasker("El uso prolongado de<mask>puede causar toxicidad hepática.",top_k=3))
[{'score': 0.19885338842868805,
  'sequence': 'El uso prolongado de esteroides puede causar toxicidad '
              'hepática.',
  'token': 215060,
  'token_str': 'esteroides'},
 {'score': 0.03336358070373535,
  'sequence': 'El uso prolongado de insulina puede causar toxicidad hepática.',
  'token': 131044,
  'token_str': 'insulina'},
 {'score': 0.022234393283724785,
  'sequence': 'El uso prolongado de drogas puede causar toxicidad hepática.',
  'token': 99191,
  'token_str': 'drogas'}]
>>> pprint(unmasker("Prolonged use of<mask>can cause hepatotoxicity.", top_k=3))
[{'score': 0.10918917506933212,
  'sequence': 'Prolonged use of steroids can cause hepatotoxicity.',
  'token': 232800,
  'token_str': 'steroids'},
 {'score': 0.08295559883117676,
  'sequence': 'Prolonged use of drugs can cause hepatotoxicity.',
  'token': 101507,
  'token_str': 'drugs'},
 {'score': 0.049813270568847656,
  'sequence': 'Prolonged use of alcohol can cause hepatotoxicity.',
  'token': 52167,
  'token_str': 'alcohol'}]

EVALUATION: Retrieval

In addition to the MrBERT family, the following base foundation models were considered:

Multilingual Foundational ModelNumber of ParametersVocab SizeDescription
mmBERT308M250KMultilingual ModernBERT pre-trained with staged language learning.
mGTE306M250KMultilingual encoder also adapted for retrieval tasks.
Clinical ModernBERT137M50KPre-trained model on biomedical data using ModernBERT architecture
BioClinical-ModernBERT150M50KDomain adaptation from ModernBERT to bioclinical data

The benchmarks used for comparison are:

  • MTEB: We select a subset of MTEB that evaluates legal tasks in English.
  • Absatnitas: An internally designed task for evaluating Spanish-language retrieval performance on biomedical abstracts.
  • NER: 3 Spanish Named-Entity Recognition datasets.
Task NameTask TypemmBERT (308M)MrBERT (308M)MrBERT-es (150M)BioClinical-MdnBERT (150M)Clinical MdnBERT (137M)MrBERT-biomed (308M)
bsc-bio-distemist-ner (ES)NER78.0077.8478.0775.4570.2277.93
cantemist (ES)NER78.0368.7373.4066.6830.9170.78
pharmaconer (ES)NER89.6688.5888.9787.6681.6989.92
AbSanitas (ES)Retrieval34.6834.1653.4930.4118.0851.01
r2med (EN)Retrieval10.8710.158.659.975.919.76
SciDocs (EN)Retrieval10.009.759.909.333.6410.05
SciFact (EN)Retrieval32.3531.0831.4632.0720.3430.25
TREC-COVID (EN)Retrieval30.7749.5337.5146.0823.8848.76
Average (EN)All Tasks21.0025.1321.8824.3613.4424.71
Average (EN + ES)All Tasks45.5546.2347.6844.7131.8348.56

Additional information

Author

The Language Technologies Lab from Barcelona Supercomputing Center.

Contact

For further information, please send an email to langtech@bsc.es.

Copyright

Copyright(c) 2026 by Language Technologies Lab, Barcelona Supercomputing Center.

Funding

This work has been supported and funded by the Ministerio para la Transformación Digital y de la Función Pública and the Plan de Recuperación, Transformación y Resiliencia – funded by the EU through NextGenerationEU, within the framework of the Modelos del Lenguaje project, as well as by the European Union – NextGenerationEU. Views and opinions expressed are however those of the author(s) only and do not necessarily reflect those of the European Union or European Commission. Neither the European Union nor the European Commission can be held responsible for them.

Acknowledgements

This project has benefited from the contributions of numerous teams and institutions through data contributions.

In Catalonia, many institutions have been involved in the project. Our thanks to Òmnium Cultural, Parlament de Catalunya, Institut d'Estudis Aranesos, Racó Català, Vilaweb, ACN, Nació Digital, El món and Aquí Berguedà.

At national level, we are especially grateful to our ILENIA project partners: CENID, HiTZ and CiTIUS for their participation. We also extend our genuine gratitude to the Spanish Senate and Congress, Fundación Dialnet, Fundación Elcano, the "Instituto de Ingenieria del Conocimiento" and the ‘Instituto Universitario de Sistemas Inteligentes y Aplicaciones Numéricas en Ingeniería (SIANI)’ of the University of Las Palmas de Gran Canaria.

At the international level, we thank the Welsh government, DFKI, Occiglot project, especially Malte Ostendorff, and The Common Crawl Foundation, especially Pedro Ortiz, for their collaboration.

Their valuable efforts have been instrumental in the development of this work.

Disclaimer

Be aware that the model may contain biases or other unintended distortions. When third parties deploy systems or provide services based on this model, or use the model themselves, they bear the responsibility for mitigating any associated risks and ensuring compliance with applicable regulations, including those governing the use of Artificial Intelligence.

The Barcelona Supercomputing Center, as the owner and creator of the model, shall not be held liable for any outcomes resulting from third-party use.

Citation

@article{tamayo2026mrbert,
  title={MrBERT: Modern Multilingual Encoders via Vocabulary, Domain, and Dimensional Adaptation},
  author={Tamayo, Daniel and Lacunza, I{\~n}aki and Rivera-Hidalgo, Paula and Da Dalt, Severino and Aula-Blasco, Javier and Gonzalez-Agirre, Aitor and Villegas, Marta},
  journal={arXiv preprint arXiv:2602.21379},
  year={2026}
}

License

Apache License, Version 2.0

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
c9c888d

0 моделей