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-wwmask-combinedData

Mardiyyah

Заполнение пропусковТекст → текст3 профессии

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

85скачиваний 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-wwmask-combinedData — англоязычная модель BERT для предсказания замаскированных токенов. Она дообучена Mardiyyah на наборе Mardiyyah/Combined_TAPT_dataset 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 предназначена для восстановления пропущенных слов в англоязычных биомедицинских текстах и может применяться для адаптации к задачам анализа научной и медицинской литературы. В README приведены результаты оценки: loss 1,1730, accuracy 0,7562 и perplexity 3,2318. Использование модели регулируется лицензией Apache-2.0.

Сценарии применения

восстановление пропущенных слов в биомедицинских публикациях
предсказание токенов в медицинских аннотациях
адаптация языкового представления для NLP по научной медицинской литературе

Ограничения

Контекст ограничен 512 токенами. README не описывает подробно сценарии применения и ограничения; приведённые метрики относятся только к указанному набору оценки.

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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-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: 1.1730
Accuracy: 0.7562
Perplexity: 3.2318

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
1.4459	1.0	28	1.3302	0.7452	3.7816
1.3972	2.0	56	1.2823	0.7490	3.6048
1.3563	3.0	84	1.2437	0.7524	3.4685
1.3426	4.0	112	1.2253	0.7506	3.4050
1.3084	5.0	140	1.2217	0.7514	3.3930
1.281	6.0	168	1.2130	0.7539	3.3636
1.2606	7.0	196	1.2227	0.7525	3.3962
1.2452	8.0	224	1.2455	0.7485	3.4745
1.2291	9.0	252	1.2134	0.7532	3.3650
1.2136	10.0	280	1.1771	0.7565	3.2449
1.1945	11.0	308	1.1709	0.7544	3.2248
1.1856	12.0	336	1.2143	0.7526	3.3679
1.1779	13.0	364	1.1815	0.7524	3.2594
1.147	14.0	392	1.1803	0.7535	3.2553
1.1505	15.0	420	1.1819	0.7522	3.2607
1.1372	16.0	448	1.1592	0.7583	3.1875
1.1333	17.0	476	1.1801	0.7528	3.2546
1.1177	18.0	504	1.1837	0.7544	3.2666
1.1193	19.0	532	1.1513	0.7560	3.1623
1.1093	20.0	560	1.1969	0.7518	3.3099
1.0968	21.0	588	1.1824	0.7547	3.2623
1.0809	22.0	616	1.1841	0.7554	3.2676
1.0757	23.0	644	1.1764	0.7533	3.2426
1.0683	24.0	672	1.1730	0.7534	3.2318

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: 9abc49d