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-combinedData

Mardiyyah

Заполнение пропусковТекст → текст3 профессии

Англоязычная BERT-модель для предсказания пропущенных слов в биомедицинских текстах.

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-pubmedbert-tokenizer-adapted-spanmask-combinedData — англоязычная модель заполнения пропусков на основе BERT, разработанная Mardiyyah и дообученная на наборе Mardiyyah/Combined_TAPT_dataset. Она рассчитана на предсказание замаскированных слов в биомедицинских текстах и может применяться для анализа медицинской литературы. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и выдаёт вероятности подстановок для пропущенных токенов. Использует архитектуру BertForMaskedLM и формат safetensors.

На оценочной выборке указаны loss 2,2865, accuracy 0,5769 и perplexity 9,8401. Лицензия Apache-2.0. README не приводит подробных сведений о предназначении и ограничениях, поэтому качество на других наборах и пригодность для клинических решений по этим данным определить нельзя.

Сценарии применения

восстановление пропущенных слов в медицинских публикациях
подстановка замаскированных терминов в биомедицинских аннотациях
оценка языковых моделей на биомедицинских текстах

Ограничения

В README не приведены подробные ограничения или сведения о тестировании вне оценочной выборки. Результаты на ней не подтверждают пригодность модели для клинических решений.

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask-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: 2.2865
Accuracy: 0.5769
Perplexity: 9.8401

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
2.9396	1.0	28	2.5275	0.5599	12.5225
2.6425	2.0	56	2.4571	0.5677	11.6704
2.5762	3.0	84	2.3612	0.5702	10.6040
2.5444	4.0	112	2.3182	0.5815	10.1570
2.533	5.0	140	2.3575	0.5703	10.5645
2.4781	6.0	168	2.3388	0.5754	10.3687
2.4447	7.0	196	2.3351	0.5748	10.3308
2.4447	8.0	224	2.3080	0.5757	10.0540
2.4373	9.0	252	2.2718	0.5796	9.6969
2.4251	10.0	280	2.2967	0.5795	9.9413
2.4202	11.0	308	2.2407	0.5858	9.4003
2.3904	12.0	336	2.2537	0.5825	9.5226
2.3781	13.0	364	2.3002	0.5770	9.9764
2.3732	14.0	392	2.2511	0.5872	9.4982
2.3337	15.0	420	2.2408	0.5854	9.4009
2.3321	16.0	448	2.2484	0.5810	9.4722

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: 6d7dc53