/ Модель

Характеристики

Контекст
8 192 токена
Параметры
409 млн
Лицензия
CC BY 4.0
Архитектура
modernbert · dense
Библиотека
transformers
Опубликована
30 мая 2025

modern-liberta-large

Заполнение пропусковТекст → текст8 профессий

Modern-LiBERTa — украиноязычный энкодер ModernBERT для анализа и разметки текста с контекстом до 8192 токенов.

199скачиваний за 30 дней5лайковвеса обновлены30 июл 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

Modern-LiBERTa — украиноязычная модель Goader, созданная Майколой Галтиюком и Александером Смывиньским-Полем из AGH University of Krakow. Это предварительно обученный энкодер на архитектуре ModernBERT, рассчитанный на анализ украинского текста с длинным контекстом. Модель обучена на корпусе Kobza объёмом около 60 миллиардов токенов; размер модели — 408,7 млн параметров, длина контекста — до 8192 токенов.

Модель предназначена для задач понимания и разметки текста, включая заполнение пропусков, распознавание именованных сущностей и определение частей речи. В оценках авторов она показала результаты на наборах NER-UK, WikiANN, UD POS и классификации новостей. Для токенизации используется код из репозитория модели, поэтому при загрузке токенизатора в Transformers требуется включить trust_remote_code.

Модель работает с текстом на украинском языке и выдаёт контекстуальные представления для последующей обработки. Репозиторий распространяется по лицензии CC BY 4.0.

Сценарии применения

  • заполнение пропущенных слов в украинском тексте
  • распознавание именованных сущностей в украинских документах
  • определение частей речи в украинском тексте
  • анализ и классификация украинских новостных текстов

Ограничения

Модель рассчитана на украинский язык; в README приведены результаты только для нескольких задач и наборов данных. Токенизатор требует загрузки пользовательского кода из репозитория.

Для каких профессий подходит8

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

Modern-LiBERTa is a ModernBERT encoder model designed specifically for Ukrainian, with support for long contexts up to 8,192 tokens. It was introduced in the paper On the Path to Make Ukrainian a High-Resource Language presented at the UNLP @ ACL 2025.

The model is pre-trained on Kobza [HF], a large-scale Ukrainian corpus of nearly 60 billion tokens. Modern-LiBERTa builds on the ModernBERT architecture and is the first Ukrainian language model to support long-context encoding efficiently.

The goal of this work is to make Ukrainian a first-class citizen in multilingual and monolingual NLP, enabling robust performance on complex tasks that require broader context and knowledge access.

All training code and tokenizer tools are available in the Goader/ukr-lm repository.

Evaluation

NER-UK (Micro F1)WikiANN (Micro F1)UD POS (Accuracy)News (Macro F1)
Base Models
xlm-roberta-base90.86 (0.81)92.27 (0.09)98.45 (0.07)-
roberta-base-wechsel-ukrainian90.81 (1.51)92.98 (0.12)98.57 (0.03)-
electra-base-ukrainian-cased-discriminator90.43 (1.29)92.99 (0.11)98.59 (0.06)-
Large Models
xlm-roberta-large90.16 (2.98)92.92 (0.19)98.71 (0.04)95.13 (0.49)
roberta-large-wechsel-ukrainian91.24 (1.16)93.22 (0.17)98.74 (0.06)96.48 (0.09)
liberta-large91.27 (1.22)92.50 (0.07)98.62 (0.08)95.44 (0.04)
liberta-large-v291.73 (1.81)93.22 (0.14)98.79 (0.06)95.67 (0.12)
modern-liberta-large-v291.66 (0.57)93.37 (0.16)98.78 (0.07)96.37 (0.07)

Fine-Tuning Hyperparameters

HyperparameterValue
Peak Learning Rate3e-5
Warm-up Ratio0.05
Learning Rate DecayLinear
Batch Size16
Epochs10
Weight Decay0.05

How to Get Started with the Model

Use the code below to get started with the model. Note, that the repository contains custom code for tokenization:

Pipeline usage:

>>> from transformers import pipeline
>>> fill_mask = pipeline("fill-mask", "Goader/modern-liberta-large", trust_remote_code=True)
>>> fill_mask("Тарас мав чотири яблука. Марічка подарувала йому ще два. Він віддав усі <mask> яблук мамі.")
[{'score': 0.3426803946495056,
  'token': 8638,
  'token_str': 'шість',
  'sequence': 'Тарас мав чотири яблука. Марічка подарувала йому ще два. Він віддав усі шість яблук мамі.'},
 {'score': 0.21772164106369019,
  'token': 24170,
  'token_str': 'решту',
  'sequence': 'Тарас мав чотири яблука. Марічка подарувала йому ще два. Він віддав усі решту яблук мамі.'},
 {'score': 0.16074775159358978,
  'token': 9947,
  'token_str': 'вісім',
  'sequence': 'Тарас мав чотири яблука. Марічка подарувала йому ще два. Він віддав усі вісім яблук мамі.'},
 {'score': 0.078955739736557,
  'token': 2036,
  'token_str': 'сім',
  'sequence': 'Тарас мав чотири яблука. Марічка подарувала йому ще два. Він віддав усі сім яблук мамі.'},
 {'score': 0.028996430337429047,
  'token': 813,
  'token_str': '6',
  'sequence': 'Тарас мав чотири яблука. Марічка подарувала йому ще два. Він віддав усі 6 яблук мамі.'}]

Extracting embeddings:

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("Goader/modern-liberta-large", trust_remote_code=True)
model = AutoModel.from_pretrained("Goader/modern-liberta-large")
encoded = tokenizer('Тарас мав чотири яблука. Марічка подарувала йому ще два. Він віддав усі шість яблук мамі.', return_tensors='pt')
output = model(**encoded)

Citation

@inproceedings{haltiuk-smywinski-pohl-2025-path,
    title = "On the Path to Make {U}krainian a High-Resource Language",
    author = "Haltiuk, Mykola  and
      Smywi{\'n}ski-Pohl, Aleksander",
    editor = "Romanyshyn, Mariana",
    booktitle = "Proceedings of the Fourth Ukrainian Natural Language Processing Workshop (UNLP 2025)",
    month = jul,
    year = "2025",
    address = "Vienna, Austria (online)",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2025.unlp-1.14/",
    pages = "120--130",
    ISBN = "979-8-89176-269-5",
    abstract = "Recent advances in multilingual language modeling have highlighted the importance of high-quality, large-scale datasets in enabling robust performance across languages. However, many low- and mid-resource languages, including Ukrainian, remain significantly underrepresented in existing pretraining corpora. We present Kobza, a large-scale Ukrainian text corpus containing nearly 60 billion tokens, aimed at improving the quality and scale of Ukrainian data available for training multilingual language models. We constructed Kobza from diverse, high-quality sources and applied rigorous deduplication to maximize data utility. Using this dataset, we pre-trained Modern-LiBERTa, the first Ukrainian transformer encoder capable of handling long contexts (up to 8192 tokens). Modern-LiBERTa achieves competitive results on various standard Ukrainian NLP benchmarks, particularly benefiting tasks that require broader contextual understanding or background knowledge. Our goal is to support future efforts to develop robust Ukrainian language models and to encourage greater inclusion of Ukrainian data in multilingual NLP research."
}

Licence

CC-BY 4.0

Authors

Mykola Haltiuk, PhD Candidate @ AGH University of Krakow

Aleksander Smywiński-Pohl, PhD @ AGH University of Krakow

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
06f229d

0 моделей