Характеристики

Контекст: 1 024 токена
Параметры: 51,3 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bioformer-16l
Библиотека: transformers
Опубликована: 25 июл 2026

Ссылки

Hugging Face

CeLLaTe-tapt-bioformer16l-tokenizer-adapted-spanmask

Mardiyyah

Заполнение пропусковТекст → текст3 профессии

Дообученная BERT-модель для предсказания замаскированных токенов в тексте с контекстом до 1024 токенов.

30скачиваний за 30 дней0лайковвеса обновлены25 июл 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

CeLLaTe-tapt-bioformer16l-tokenizer-adapted-spanmask — дообученная модель семейства BERT на базе bioformers/bioformer-16l, созданная Mardiyyah на датасете Mardiyyah/TAPT_CeLLaTe2.0. Она предназначена для предсказания замаскированных токенов в текстах: модель подставляет вероятные слова или фрагменты в пропуски с учётом окружающего контекста.

Модель содержит 51,3 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 1024 токенов. В README приведены результаты на оценочном наборе: loss 2,7320, accuracy 0,5272 и perplexity 15,3632. Карточка не уточняет специализацию TAPT_CeLLaTe2.0 и назначение адаптации токенизатора, поэтому конкретные предметные преимущества установить нельзя. Распространяется по лицензии Apache-2.0.

Сценарии применения

заполнение пропусков в тексте
подбор вероятного слова по контексту
оценка вариантов продолжения фразы в заданной позиции

Ограничения

Карточка не описывает специализацию датасета, назначение адаптации токенизатора или ограничения применения; приведённые метрики относятся только к оценочному набору. Модель предназначена для заполнения масок, а не для свободной генерации текста.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-tapt-bioformer16l-tokenizer-adapted-spanmask

This model is a fine-tuned version of bioformers/bioformer-16l on the Mardiyyah/TAPT_CeLLaTe2.0 dataset. It achieves the following results on the evaluation set:

Loss: 2.7320
Accuracy: 0.5272
Perplexity: 15.3632

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 3e-05
train_batch_size: 32
eval_batch_size: 32
seed: 3407
gradient_accumulation_steps: 2
total_train_batch_size: 64
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-06 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.06
num_epochs: 100
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Perplexity
3.6895	1.0	15	3.1710	0.5083	23.8303
3.4233	2.0	30	2.9354	0.5224	18.8283
3.2873	3.0	45	2.9614	0.5219	19.3255
3.2365	4.0	60	2.8914	0.5229	18.0180
3.1492	5.0	75	2.8724	0.5227	17.6798
3.1389	6.0	90	2.8571	0.5244	17.4115
3.0779	7.0	105	2.9126	0.5161	18.4049
3.0185	8.0	120	2.8483	0.5246	17.2577
3.0545	9.0	135	2.7652	0.5365	15.8829
3.0221	10.0	150	2.8007	0.5275	16.4558
3.021	11.0	165	2.7138	0.5408	15.0869
2.9357	12.0	180	2.7198	0.5405	15.1771
2.9179	13.0	195	2.7700	0.5302	15.9584
2.9423	14.0	210	2.7747	0.5323	16.0344
2.9322	15.0	225	2.6850	0.5456	14.6582
2.9055	16.0	240	2.6724	0.5398	14.4746
2.8717	17.0	255	2.7270	0.5416	15.2866
2.8626	18.0	270	2.7876	0.5343	16.2428
2.8691	19.0	285	2.7013	0.5381	14.8989
2.8442	20.0	300	2.6774	0.5441	14.5477
2.8474	21.0	315	2.8358	0.5250	17.0435

Framework versions

Transformers 4.48.2
Pytorch 2.4.1+cu121
Datasets 3.0.2
Tokenizers 0.21.0

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: BertForMaskedLM
Ревизия весов: fe66819