Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext
Библиотека: transformers
Опубликована: 23 июл 2026

Ссылки

Hugging Face

CeLLaTe-tapt-pubmedbert-tokenizer-original-baseline

Mardiyyah

Заполнение пропусковТекст → текст3 профессии

Англоязычная BERT-модель, дообученная для предсказания пропущенных токенов в биомедицинских текстах.

32скачиваний 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-original-baseline — англоязычная модель для предсказания пропущенных токенов в биомедицинских текстах. Она дообучена Mardiyyah на наборе Mardiyyah/TAPT_CeLLaTe2.0 на основе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Модель построена на архитектуре BERT с 136,7 млн параметров и контекстом до 512 токенов; её задача в Hugging Face — fill-mask.

Модель подходит для восстановления пропусков и предсказания следующего по контексту слова в биомедицинских публикациях и других англоязычных медицинских текстах. На оценочном наборе указаны loss 0,9726, accuracy 0,7783 и perplexity 2,6448; эти результаты относятся к набору из карточки и не гарантируют аналогичного качества на других данных. Распространяется по лицензии Apache-2.0.

Сценарии применения

восстановление пропущенных слов в биомедицинских публикациях
предсказание токенов в англоязычных медицинских аннотациях
оценка вариантов заполнения пропусков в научном тексте

Ограничения

Карточка не описывает ограничения и детали обучающих данных; приведённые метрики получены только на оценочном наборе TAPT_CeLLaTe2.0. 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 I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-tapt-pubmedbert-tokenizer-original-baseline

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: 0.9726
Accuracy: 0.7783
Perplexity: 2.6448

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
1.1444	1.0	14	1.0112	0.7749	2.7489
1.1264	2.0	28	0.9842	0.7806	2.6757
1.118	3.0	42	0.9774	0.7810	2.6574
1.0848	4.0	56	0.9892	0.7781	2.6891
1.0813	5.0	70	0.9697	0.7861	2.6372
1.0682	6.0	84	0.9910	0.7782	2.6938
1.0576	7.0	98	0.9641	0.7807	2.6225
1.0377	8.0	112	0.9392	0.7880	2.5580
1.0206	9.0	126	0.9936	0.7765	2.7009
1.0254	10.0	140	0.9782	0.7797	2.6595
0.9976	11.0	154	0.9627	0.7833	2.6188
0.9818	12.0	168	0.9549	0.7833	2.5985
0.9706	13.0	182	0.9498	0.7855	2.5851

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: 9bd97fc