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

CeLLaTe-tapt-bioformer16l-tokenizer-adapted-wwmask-combinedData

Заполнение пропусковТекст → текст3 профессии

Дообученная BERT-модель для предсказания замаскированных токенов в текстах, адаптированная на наборе Combined_TAPT_dataset.

21скачиваний 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-wwmask-combinedData — модель на основе архитектуры BERT, дообученная Mardiyyah на bioformers/bioformer-16l с использованием набора Mardiyyah/Combined_TAPT_dataset. Она предназначена для заполнения пропусков в тексте: модель предсказывает замаскированные токены, что подходит для языкового моделирования и адаптации к биомедицинским текстам. Модель содержит 51,3 млн параметров, принимает последовательности длиной до 1024 токенов и распространяется в формате safetensors через библиотеку Transformers.

На оценочном наборе указаны loss 1,4792, accuracy 0,7139 и perplexity 4,3895. Карточка не приводит подробностей о составе данных или конкретных биомедицинских сценариях; качество за пределами указанной оценки не установлено. Лицензия — Apache-2.0.

Сценарии применения

предсказание пропущенных слов в биомедицинских текстах
адаптация языковой модели к специализированному корпусу
оценка языковых представлений для заполнения масок

Ограничения

Карточка не описывает состав обучающих данных и целевые сценарии подробно; приведённые метрики относятся только к оценочному набору. Результаты на других корпусах не указаны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-tapt-bioformer16l-tokenizer-adapted-wwmask-combinedData

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

Loss: 1.4792
Accuracy: 0.7139
Perplexity: 4.3895

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
1.9266	1.0	30	1.7206	0.6978	5.5881
1.8986	2.0	60	1.6633	0.7021	5.2767
1.8293	3.0	90	1.6614	0.7005	5.2666
1.8045	4.0	120	1.6091	0.7056	4.9982
1.7507	5.0	150	1.5792	0.7076	4.8511
1.7157	6.0	180	1.5732	0.7019	4.8221
1.7036	7.0	210	1.5474	0.7079	4.6994
1.647	8.0	240	1.5618	0.7075	4.7673
1.6048	9.0	270	1.5185	0.7092	4.5652
1.6109	10.0	300	1.5061	0.7127	4.5090
1.592	11.0	330	1.5194	0.7112	4.5696
1.5659	12.0	360	1.4839	0.7152	4.4103
1.552	13.0	390	1.4644	0.7169	4.3250
1.537	14.0	420	1.4882	0.7140	4.4291
1.5244	15.0	450	1.4913	0.7147	4.4430
1.4891	16.0	480	1.4797	0.7124	4.3915
1.4937	17.0	510	1.4396	0.7209	4.2189
1.4898	18.0	540	1.4614	0.7203	4.3120
1.4762	19.0	570	1.4471	0.7183	4.2507
1.4581	20.0	600	1.4833	0.7111	4.4076
1.4349	21.0	630	1.4684	0.7156	4.3423
1.4304	22.0	660	1.4600	0.7167	4.3062

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: 30d8d0e