Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext
Библиотека: transformers
Опубликована: 25 июл 2026

Ссылки

Hugging Face

CeLLaTe-tapt-pubmedbert-tokenizer-adapted-baseline-combinedData

Mardiyyah

Заполнение пропусковТекст → текст3 профессии

Англоязычная BERT-модель, дообученная на биомедицинских данных для предсказания пропущенных слов в тексте.

26скачиваний 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-pubmedbert-tokenizer-adapted-baseline-combinedData — дообученная модель Mardiyyah на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext, обученная на наборе Mardiyyah/Combined_TAPT_dataset. Это англоязычная BERT-модель с архитектурой BertForMaskedLM на 138,2 млн параметров, предназначенная для предсказания пропущенных токенов в биомедицинских текстах. Она принимает текст и выдаёт вероятности вариантов для маскированного токена; длина контекста — до 512 токенов.

На оценочной выборке указаны loss 1,1153, accuracy 0,7638 и perplexity 3,0506. Модель может применяться для адаптации языковых моделей к биомедицинским публикациям и восстановления пропусков в таких текстах. Лицензия — Apache-2.0.

Сценарии применения

восстановление пропущенных слов в биомедицинских публикациях
предсказание маскированных терминов в медицинских аннотациях
адаптация текстовых конвейеров NLP к биомедицинской литературе

Ограничения

README не описывает ограничения применения и обучения, кроме того, что оценочные метрики получены на указанной оценочной выборке. Контекст ограничен 512 токенами.

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-pubmedbert-tokenizer-adapted-baseline-combinedData

This model is a fine-tuned version of microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext on the Mardiyyah/Combined_TAPT_dataset dataset. It achieves the following results on the evaluation set:

Loss: 1.1153
Accuracy: 0.7638
Perplexity: 3.0506

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
1.3987	1.0	28	1.2896	0.7525	3.6312
1.3501	2.0	56	1.2327	0.7561	3.4304
1.3044	3.0	84	1.2182	0.7552	3.3810
1.2667	4.0	112	1.1852	0.7573	3.2712
1.2469	5.0	140	1.1747	0.7596	3.2372
1.2284	6.0	168	1.1602	0.7603	3.1906
1.1974	7.0	196	1.1517	0.7599	3.1635
1.1961	8.0	224	1.1234	0.7636	3.0752
1.1581	9.0	252	1.1104	0.7694	3.0356
1.1443	10.0	280	1.1184	0.7687	3.0600
1.1272	11.0	308	1.1149	0.7632	3.0494
1.1141	12.0	336	1.1268	0.7655	3.0858
1.114	13.0	364	1.1188	0.7634	3.0612
1.0733	14.0	392	1.0972	0.7661	2.9959
1.0756	15.0	420	1.1112	0.7665	3.0381
1.0767	16.0	448	1.1173	0.7616	3.0566
1.0561	17.0	476	1.0940	0.7678	2.9861
1.0528	18.0	504	1.0975	0.7640	2.9968
1.0363	19.0	532	1.0983	0.7658	2.9991
1.0247	20.0	560	1.0869	0.7684	2.9652
1.0185	21.0	588	1.1124	0.7635	3.0416
1.008	22.0	616	1.1290	0.7593	3.0926
0.9954	23.0	644	1.1142	0.7607	3.0472
1.0192	24.0	672	1.1127	0.7619	3.0425
1.0038	25.0	700	1.1115	0.7642	3.0389

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: e4b5612