/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Архитектура
modernbert · dense
Базовая модель
ModernBERT-base
Библиотека
transformers
Опубликована
30 авг 2026

Merge_Soup_drop_F_LRD

Заполнение пропусковТекст → текст3 профессии

Англоязычный климатически адаптированный ModernBERT для заполнения маски и последующего дообучения на задачах анализа климатических текстов.

11скачиваний за 30 дней0лайковвеса обновлены30 авг 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

CMB-ClimateModernBERT/Merge_Soup_drop_F_LRD — англоязычный encoder-only чекпойнт ModernBERT, дообученный на климатических текстах и опубликованный в семействе ClimateModernBERT. Модель содержит 149 млн параметров, принимает последовательности длиной до 8192 токенов и решает задачу заполнения маски (fill-mask). Обучение продолжалось на академических и синтетических климатических текстах; вариант Drop-one Soup исключает корпус Climate Web. Веса идентичны репозиторию sraj/Merge_Drop_FWebEduv2, а название приведено в соответствие с обозначениями статьи.

Модель предназначена для исследований в области обработки климатических текстов и для последующего дообучения под классификацию, многометочную разметку и поиск по корпоративной и климатической отчётности, политическим документам, научным публикациям и новостям. Это masked language model, а не диалоговая или инструкционная система. README не приводит отдельный агрегированный результат для этого чекпойнта; для общего применения авторы рекомендуют CMB-ClimateModernBERT/Merge_Soup_LRD, показавшую средний F1 76,3 на описанном наборе климатических тестов. Модель выпущена для исследований и последующей работы; условия лицензии в предоставленных данных не указаны.

Сценарии применения

  • заполнение скрытых слов в англоязычных климатических текстах
  • дообучение классификатора для выявления климатической тематики
  • многометочная разметка корпоративной климатической отчётности
  • адаптация поиска по научной литературе о климате
  • анализ климатических новостей и политических документов

Ограничения

Модель англоязычная, основана на одном семействе энкодеров и не предназначена для следования инструкциям; климатические бенчмарки в основном проверяют предложения и фрагменты текста, поэтому потенциал длинного контекста оценён не полностью. Эффекты синтетических данных зависят от задачи, а результаты адаптации к климатическому домену нельзя автоматически переносить на другие области.

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

Drop-one Soup · without Climate Web

Part of ClimateModernBERT, a family of climate-domain encoders obtained by continued pretraining of ModernBERT-Base on climate text.

RepositoryCMB-ClimateModernBERT/Merge_Soup_drop_F_LRD
Namingcorpora in A_S_F order, then the training stage: CX = Phase 1, CX_LRD = Phase 1 + Phase 2
CorporaAcademic + Synthetic — {𝒜, 𝒮} in the paper's notation
Training stagePhase 2 · LRD Specialization (legacy suffix CX_LRD)
Base modelModernBERT-Base, pre-LRD stable-phase checkpoint
Architecture150M parameters · 22 layers · hidden 768 · 12 heads · vocab 50,368 · 8,192-token context
StatusPaper
Merge methodLinear (uniform), ℱ removed
Merged fromCMB-ClimateModernBERT/A_CX_LRD, CMB-ClimateModernBERT/S_CX_LRD
Paper notationSoup({𝒜, 𝒮})

Figure 2. Excluding ℱ costs about 1.5 average F1. Because ℱ is the dropped corpus, this merge is unaffected by the FastText filtering question.

Republished from sraj/Merge_Drop_FWebEduv2 under a name that matches the paper's notation. The weights are identical; the original repository remains available.

Training data

Continued pretraining used Academic + Synthetic from a 6.42B-token climate corpus:

CorpusTokensDescription
𝒜Academic~1.28BPeer-reviewed journal articles across climate science, earth systems and energy economics; the ClimateNews archive 2000–2022; climate arXiv preprints; climate handbooks.
ℱClimate Web~5BFineWeb-Edu filtered for climate relevance with a 166-term keyword filter followed by a FastText classifier.
𝒮Synthetic~0.14BLLM-generated climate text conditioned on in-domain seed excerpts, in three communication styles.

Raw academic text is not redistributed: peer-reviewed articles are accessed under institutional publisher licenses, and news shards and handbooks were collected for non-commercial research use. The processing pipelines are released instead.

Training procedure

Two stages, following ModernBERT's own continued-pretraining recipe:

  • Phase 1 — context extension. 3 epochs, constant LR 3e-4, global batch 576, sequence length 8,192, MLM masking 30%, StableAdamW, BF16.
  • Phase 2 — LRD specialization. 3 further epochs on a 1 − √t decay schedule from LR 3e-4 with final LR factor 1e-3.

4× NVIDIA A100, MosaicML Composer. Final checkpoints are converted to HF Transformers format.

Usage

ModernBERT is native to transformers from 4.48 onward, so no trust_remote_code is required.

from transformers import AutoTokenizer, AutoModel

model_id = "CMB-ClimateModernBERT/Merge_Soup_drop_F_LRD"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id)

inputs = tokenizer("Scope 1 and 2 emissions fell 12% against a 2019 baseline.", return_tensors="pt")
outputs = model(**inputs)   # outputs.last_hidden_state -> (batch, seq, 768)

For a downstream task, load AutoModelForSequenceClassification and fine-tune. The paper's recipe: LR 4e-5, effective batch 64, weight decay 0.01, up to 10 epochs with early stopping on validation F1, BF16 with fused AdamW.

Evaluation

The manuscript reports no aggregate score for this checkpoint. It is released for provenance and follow-up work, not as a headline model.

Evaluated on nine climate NLP benchmarks: Climate Detection, Climate Specificity, Commitments & Actions, Climate Sentiment, Net Zero & Reduction, TCFD Recommendations, WFB Nature, WXImpactBench, and ClimRetrieve. Binary tasks and ClimRetrieve report positive-class F1; multi-class and multi-label tasks report macro-F1. Scores are the mean over three fine-tuning seeds under a single shared hyperparameter configuration.

Reference points from the paper: the ModernBERT-Base stable-phase baseline reaches 73.5 average F1, and ClimateBERT reaches 72.1 under the same protocol.

For general use, prefer CMB-ClimateModernBERT/Merge_Soup_LRD, the merged model that reaches 76.3 average F1.

Intended use

Research on climate NLP: encoding climate text, and fine-tuning for classification, multi-label tagging, and retrieval over corporate disclosures, policy documents, scientific literature and climate news.

Limitations

  • English only, and built on a single encoder family (ModernBERT-Base).
  • Current climate NLP benchmarks are largely sentence- or passage-level, so the model's long-context capacity is not fully exercised by the reported evaluation.
  • Findings about corpus composition are demonstrated within climate NLP and should not be read as universal principles of domain adaptation.
  • Synthetic training data has task-dependent effects: it helps taxonomy- and framework-driven tasks while degrading performance on tasks requiring finer-grained discourse and commitment understanding.
  • The model is a masked language model, not an instruction-following system, and produces no calibrated factual guarantees about climate science.

Paper

Climate-ModernBERT: Revisiting Corpus Composition for Domain-Adaptive Continued Pretraining. Preprint manuscript, currently under review — no venue, DOI or arXiv identifier yet, and no citation to give. The PDF is hosted in the project repository.

License

Not yet set on this repository. The upstream base model is ModernBERT-Base; check its terms, and those of the underlying corpora, before redistributing. No license is asserted here on the maintainers' behalf.

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
1afd3b9

0 моделей