/ Модель

Характеристики

Контекст
1 024 токена
Параметры
149 млн
Лицензия
CC BY-SA 4.0
Архитектура
modernbert · dense
Библиотека
transformers
Опубликована
23 июл 2026

SIGMA-BERT-short

Заполнение пропусковТекст → текст9 профессий

Словенский энкодер ModernBERT для восстановления замаскированных слов и дообучения на задачах понимания текста.

67скачиваний 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-short — словенская языковая модель с архитектурой ModernBERT, разработанная командой LHRS-UM-FERI. Это энкодер, обученный с нуля на задаче восстановления замаскированных токенов на корпусе примерно из 13,88 млрд словоупотреблений из словенских веб-текстов, новостей, парламентских материалов, научных публикаций и пользовательского контента. Модель содержит около 149 млн параметров, имеет 22 слоя и контекст до 1 024 токенов; используется библиотека Transformers и формат весов safetensors.

Модель предназначена для дообучения под задачи понимания словенского текста: классификации, распознавания именованных сущностей, извлечения ответов на вопросы, вывода и семантического сходства, поиска и ранжирования документов. Она подходит для предложений и документов стандартной длины, но не генерирует текст и не рассчитана на обработку текстов длиннее контекстного окна. При подстановке [MASK] важно размещать токен вплотную к предыдущему слову согласно особенностям токенизатора. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • восстановление пропущенных слов в словенском тексте
  • классификация словенских текстов по теме или тональности
  • распознавание именованных сущностей в словенских документах
  • извлечение ответов из словенских текстов
  • семантический поиск по словенским документам
  • ранжирование результатов поиска для словенского RAG

Ограничения

Это энкодер MLM, поэтому он не предназначен для генерации текста. Контекст ограничен 1 024 токенами, а модель ориентирована прежде всего на словенский язык; возможны смещения из 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-short

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-short 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.

SIGMA-BERT-short shares the same architecture and parameter count as SIGMA-BERT-base but is optimized for sequences of up to 1,024 tokens, making it well suited for standard sentence-level and document-level language understanding tasks.

The model is intended to be fine-tuned for downstream Slovenian NLP 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
  • As a backbone for rerankers in retrieval-augmented generation (RAG) pipelines

SIGMA-BERT models are available in multiple context-length variants:

Model Details

SIGMA-BERT-short 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 length1,024
Attention patternGlobal attention every 3rd layer; local sliding-window attention (128 tokens) elsewhere
ActivationGeGLU
Normalization / linear layersPre-LayerNorm, no bias terms

Training

SIGMA-BERT-short was pretrained in two stages.

Stage 1

The first stage focused on learning general Slovenian language representations.

  • Maximum sequence length: 1,024
  • MLM masking probability: 15%
  • Learning rate: 5e-4
  • Optimizer: StableAdamW
  • Weight decay: 0.1

Stage 2

The second stage continued pretraining from the Stage 1 checkpoint using a subset of longer, information-dense Slovenian documents.

The context window was kept unchanged at 1,024 tokens.

  • Maximum sequence length: 1,024
  • MLM masking probability: 15%
  • Learning rate: 5e-5
  • Optimizer: StableAdamW
  • Weight decay: 0.1

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 training using:

  • OpenScience
  • siParl 4.0

Tokenizer

SIGMA-BERT-short uses the same custom SentencePiece BPE tokenizer as the other SIGMA-BERT models.

The tokenizer was trained from scratch with a vocabulary size of 50,000 tokens and uses 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-short")
model = AutoModel.from_pretrained("LHRS-UM-FERI/SIGMA-BERT-short")

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-short"
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-short is an encoder-only model trained with masked language modeling and cannot generate text.
  • The model is optimized for sequences up to 1,024 tokens and is not intended for long-document understanding beyond this length.
  • The model is primarily intended for Slovenian language tasks.
  • Like other pretrained language models, it may reflect biases present in the training data.

Citation

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

@misc{Borovic2026,
  title = {SIGMA-BERT-short},
  author = { Mladen Borovič and Marija Jovanova },
  year = {2026},
  url = {https://huggingface.co/LHRS-UM-FERI/SIGMA-BERT-short},
  doi = { 10.57967/hf/9823 },
  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
f9c7719

0 моделей