/ Модель

Характеристики

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

SIGMA-BERT-large

Заполнение пропусковТекст → текст9 профессий

Словенский ModernBERT-энкодер для заполнения пропусков и дообучения под задачи понимания текста, семантического поиска и классификации.

93скачиваний 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-large — словенская языковая модель-энкодер семейства ModernBERT, разработанная командой LHRS-UM-FERI и предварительно обученная с нуля на корпусе словенских текстов объёмом около 13,88 млрд токенов. Модель содержит около 394 млн параметров и поддерживает контекст до 8192 токенов. Для неё используется собственный токенизатор SentencePiece BPE с размером словаря 50 000 токенов.

Модель предназначена для последующего дообучения под задачи понимания словенского языка: классификацию текстов, распознавание именованных сущностей, извлечение ответов, оценку семантического сходства, поиск по документам и ранжирование результатов в RAG-системах. Двухэтапное предобучение расширило контекст с 1024 до 8192 токенов, что позволяет работать с длинными документами.

SIGMA-BERT-large — энкодер с маскированным языковым моделированием: он подходит для заполнения пропусков и получения представлений текста, но не генерирует связный текст. Модель рассчитана прежде всего на словенский язык и может отражать смещения обучающих данных. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • заполнение пропущенных слов в словенском тексте
  • классификация словенских новостей по темам
  • распознавание именованных сущностей в словенских документах
  • извлечение ответов из словенских текстов
  • семантический поиск по длинным словенским документам
  • ранжирование результатов поиска в словенском RAG

Ограничения

Модель является энкодером и не предназначена для генерации текста; она рассчитана преимущественно на словенский язык и может наследовать смещения обучающих данных.

Для каких профессий подходит9

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-large

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-large 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.

Compared to SIGMA-BERT-base, SIGMA-BERT-large increases the model capacity from 149 million to 395 million parameters while retaining support for sequences of up to 8192 tokens, providing greater representational power for downstream Slovenian NLP tasks.

As a pretrained encoder, SIGMA-BERT-large 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

SIGMA-BERT models are available in the following variants:

Model Details

SIGMA-BERT-large 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)
Parameters395M
Layers28
Hidden size1,024
Intermediate size (GeGLU)2,624
Attention heads16
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-large 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: 3e-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: 3e-5
  • Optimizer: StableAdamW
  • Weight decay: 0.1
  • Increased RoPE base frequency to support the longer context window

Both stages used a linear warmup followed by linear learning-rate decay to a minimum learning-rate ratio.

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-large 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-large")
model = AutoModel.from_pretrained("LHRS-UM-FERI/SIGMA-BERT-large")

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-large"
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-large 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-large in your work, please cite:

@misc{Borovic2026,
  title = {SIGMA-BERT-large},
  author = { Mladen Borovič and Marija Jovanova},
  year = {2026},
  url = {https://huggingface.co/LHRS-UM-FERI/SIGMA-BERT-large},
  doi = { 10.57967/hf/9822 },
  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
418b901

0 моделей