/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
CC BY-SA 4.0
Архитектура
modernbert · dense
Библиотека
transformers
Опубликована
23 июл 2026

SIGMA-BERT-base

Заполнение пропусковТекст → текст8 профессий

Словенский encoder ModernBERT для заполнения пропусков и дообучения на задачах понимания текста с контекстом до 8192 токенов.

127скачиваний за 30 дней0лайковвеса обновлены4 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

SIGMA-BERT-base — словенская языковая модель на архитектуре ModernBERT, разработанная командой LHRS-UM-FERI и предварительно обученная с нуля на словенских текстах методом masked language modeling. Это плотный encoder-чекпойнт примерно на 148,7 млн параметров с контекстом до 8192 токенов; модель использует токенизатор SentencePiece BPE с 50 000 токенов.

Модель предназначена для заполнения пропусков и как основа для дообучения на задачах понимания словенского текста: классификации, распознавания именованных сущностей, извлечения ответов, оценки семантического сходства, поиска по документам и ранжирования в RAG-системах. Длинное контекстное окно подходит для анализа больших документов.

SIGMA-BERT-base не генерирует связный текст: это encoder для предсказания замаскированных токенов и извлечения языковых представлений. Модель рассчитана прежде всего на словенский язык и может отражать предубеждения обучающих данных. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • заполнение пропущенных слов в словенском тексте
  • классификация тем и тональности словенских документов после дообучения
  • распознавание именованных сущностей в словенском тексте после дообучения
  • поиск и извлечение ответов из длинных словенских документов после дообучения
  • оценка семантического сходства словенских предложений после дообучения
  • ранжирование результатов поиска для словенского RAG после дообучения

Ограничения

Модель не предназначена для генерации связного текста и ориентирована прежде всего на словенский язык. Как и другие предварительно обученные модели, она может отражать предубеждения обучающих данных.

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

SIGMA-BERT

Table of Contents

  1. Model Summary
  2. Model Details
  3. Usage
  4. Training
  5. Training Data
  6. Tokenizer
  7. Limitations
  8. Citation

Model Summary

SIGMA-BERT is a Slovenian encoder language model based on the ModernBERT architecture. It was pretrained from scratch using the masked language modeling (MLM) objective on a diverse collection of Slovenian text, including web, news, parliamentary proceedings, scientific publications, and user-generated content. The model supports sequence lengths of up to 8192 tokens and is intended for downstream language understanding tasks such as classification, retrieval, semantic similarity, and token-level prediction.

As a pretrained encoder, SIGMA-BERT is intended to be fine-tuned for downstream Slovenian language understanding tasks such as:

  • Text classification (e.g. topic, sentiment, genre)
  • Named entity recognition and other token classification tasks
  • Extractive question answering
  • Natural language inference / semantic textual similarity
  • Dense retrieval and semantic search, including over long documents
  • As a backbone for rerankers in retrieval-augmented generation (RAG) pipelines

It is available in the following variants:

Model Details

SigmaBERT-base is built on the ModernBERT architecture and pretrained on Slovenian text with a Masked Language Modeling (MLM) objective.

PropertyValue
LanguageSlovenian
Training objectiveMasked Language Modeling (MLM)
Parameters149M
Layers22
Hidden size768
Intermediate size (GeGLU)1,152
Attention heads12
Vocab size50,000
Max sequence length8,192 (extended from 1,024)
Attention patternGlobal attention every 3rd layer; local sliding-window attention (128 tokens) elsewhere
ActivationGeGLU
Normalization / linear layersPre-LayerNorm, no bias terms

Training

SIGMA-BERT was pretrained in two stages.

Stage 1

The initial pretraining stage focused on learning general Slovenian language representations.

  • Maximum sequence length: 1,024
  • MLM masking probability: 30%
  • Learning rate: 5e-4
  • Optimizer: StableAdamW
  • Weight decay: 0.1

Stage 2

The second stage extended the context window and continued pretraining on long-form, information-dense text.

  • Maximum sequence length: 8,192
  • MLM masking probability: 15%
  • Learning rate: 5e-5
  • Optimizer: StableAdamW
  • Weight decay: 0.1
  • Increased RoPE base frequency to support the longer context window

Both stages used a warmup–plateau–cooldown learning rate schedule.

Training Data

The training corpus contains approximately 13.88 billion tokens of Slovenian text.

Stage 1 used a mixture of publicly available Slovenian corpora:

  • FineWeb2 — Slovenian subset (slv_Latn)
  • Janes 1.0 (Wiki, Blog, Forum, News) — Slovenian text subcorpora
  • OpenScience — Slovenian academic and scientific texts
  • siParl 4.0 — Slovenian parliamentary proceedings corpus
  • MaCoCu-sl 2.0 — Slovenian web corpus

Stage 2 continued pretraining using:

  • OpenScience
  • siParl 4.0

Tokenizer

SIGMA-BERT uses a custom SentencePiece BPE tokenizer trained from scratch with a vocabulary of 50,000 tokens. The tokenizer employs Metaspace pre-tokenization together with newline isolation and digit splitting to better preserve document structure and numeric information.

Usage

Load the model like any other transformers model:

from transformers import AutoTokenizer, AutoModel
 
tokenizer = AutoTokenizer.from_pretrained("LHRS-UM-FERI/SIGMA-BERT-base")
model = AutoModel.from_pretrained("LHRS-UM-FERI/SIGMA-BERT-base")

Masked language modeling

For MLM, load the model with AutoModelForMaskedLM and use the [MASK] token:

from transformers import AutoTokenizer, AutoModelForMaskedLM
 
model_id = "LHRS-UM-FERI/SIGMA-BERT-base"  
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForMaskedLM.from_pretrained(model_id)
 
text = "Ljubljana je[MASK] mesto Slovenije."
inputs = tokenizer(text, return_tensors="pt")
outputs = model(**inputs)
 
masked_index = inputs["input_ids"][0].tolist().index(tokenizer.mask_token_id)
predicted_token_id = outputs.logits[0, masked_index].argmax(axis=-1)
print("Predicted token:", tokenizer.decode(predicted_token_id))

⚠️ Note on [MASK] spacing: SIGMA-BERT's tokenizer uses a Metaspace pre-tokenizer, which encodes the space before a word as part of that word's token (e.g. " mesto" → ▁mesto). Because of this, if you write [MASK] in a text string, it should be placed directly against the preceding word, with no space ("je[MASK] mesto", not "je [MASK] mesto"). Adding a literal space before [MASK] produces an extra, out-of-distribution ▁ token that the model never saw during training:

"je [MASK]"  → ['▁je', '▁', '[MASK]', ...]   ✗ stray '▁' token
"je[MASK]"   → ['▁je', '[MASK]', ...]        ✓ matches training

Limitations

  • SIGMA-BERT is an encoder-only model trained with masked language modeling and cannot generate text.
  • The model is intended primarily for Slovenian.
  • Like other pretrained language models, it may reflect biases present in the training data.

Citation

If you use SIGMA-BERT in your work, please cite:

@misc{Borovic2026,
  title = {SIGMA-BERT-base},
  author = {Mladen Borovič and Marija Jovanova},
  year = {2026},
  url = {https://huggingface.co/LHRS-UM-FERI/SIGMA-BERT-base},
  doi = { 10.57967/hf/9821 },
  publisher = { Hugging Face }
}

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
b95e539

0 моделей