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-spanmask

Mardiyyah

Заполнение пропусковТекст → текст3 профессии

Англоязычная BERT-модель, дообученная на биомедицинских текстах для предсказания замаскированных токенов.

33скачиваний 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-spanmask — англоязычная BERT-модель для восстановления замаскированных токенов в биомедицинских текстах. Она дообучена Mardiyyah на наборе Mardiyyah/TAPT_CeLLaTe2.0 на основе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Модель содержит 138,2 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов.

Модель подходит для заполнения пропусков и анализа языковых закономерностей в медицинской литературе, включая адаптацию к специализированным биомедицинским текстам. В карточке приведены результаты оценки: loss 2,3029, accuracy 0,5761 и perplexity 10,0034. Репозиторий предоставляет веса в формате safetensors; лицензия — Apache-2.0.

Сценарии применения

восстановление пропущенных слов в медицинских статьях
подстановка маскированных терминов в биомедицинских текстах
адаптация языковых конвейеров к корпусу CeLLaTe
оценка вероятности вариантов заполнения пропуска в научном тексте

Ограничения

Карточка не описывает предполагаемые сценарии применения и ограничения; приведённые метрики относятся только к указанному набору оценки. 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 IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask

This model is a fine-tuned version of microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext on the Mardiyyah/TAPT_CeLLaTe2.0 dataset. It achieves the following results on the evaluation set:

Loss: 2.3029
Accuracy: 0.5761
Perplexity: 10.0034

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
3.0089	1.0	14	2.6409	0.5507	14.0253
2.7347	2.0	28	2.4055	0.5698	11.0835
2.6256	3.0	42	2.4142	0.5723	11.1810
2.5855	4.0	56	2.3657	0.5720	10.6515
2.5716	5.0	70	2.3596	0.5713	10.5871
2.5212	6.0	84	2.3339	0.5698	10.3177
2.4673	7.0	98	2.3420	0.5751	10.4017
2.4827	8.0	112	2.2801	0.5824	9.7779
2.4762	9.0	126	2.2619	0.5839	9.6009
2.457	10.0	140	2.2566	0.5845	9.5509
2.4403	11.0	154	2.3328	0.5761	10.3072
2.3889	12.0	168	2.2309	0.5902	9.3085
2.3968	13.0	182	2.2488	0.5802	9.4764
2.3618	14.0	196	2.2365	0.5814	9.3607
2.3805	15.0	210	2.2719	0.5776	9.6975
2.348	16.0	224	2.3000	0.5791	9.9740
2.3436	17.0	238	2.2701	0.5824	9.6807

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: 8415c72