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: 25 июл 2026

Ссылки

Hugging Face

CeLLaTe-tapt-pubmedbert-tokenizer-original-spanmask-combinedData

Mardiyyah

Заполнение пропусковТекст → текст3 профессии

Англоязычная BERT-модель, дообученная на биомедицинском тексте для предсказания пропущенных токенов.

25скачиваний 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-spanmask-combinedData — дообученная Mardiyyah модель на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Это англоязычная BERT-модель с архитектурой BertForMaskedLM, предназначенная для предсказания скрытых токенов в биомедицинском тексте. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов.

Дообучение выполнено на датасете Mardiyyah/Combined_TAPT_dataset. В README приведены результаты оценки: loss 2,1023, accuracy 0,5977 и perplexity 8,1850. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Подходит для заполнения пропусков и анализа контекста в англоязычных биомедицинских публикациях. Карточка не описывает дополнительные целевые сценарии и ограничения; качество для конкретных downstream-задач следует оценивать отдельно.

Сценарии применения

заполнение пропусков в биомедицинских статьях
подбор вероятного слова в англоязычном медицинском тексте
оценка языкового контекста биомедицинских публикаций

Ограничения

Карточка не описывает дополнительные ограничения и целевые сценарии. Оценки loss, accuracy и perplexity приведены для набора оценки; качество на других данных отдельно не установлено.

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 IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CeLLaTe-tapt-pubmedbert-tokenizer-original-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: 2.1023
Accuracy: 0.5977
Perplexity: 8.1850

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
2.6735	1.0	28	2.2438	0.5810	9.4294
2.4083	2.0	56	2.1526	0.5907	8.6071
2.375	3.0	84	2.1275	0.5909	8.3943
2.3415	4.0	112	2.1319	0.5954	8.4312
2.3423	5.0	140	2.1031	0.5948	8.1917
2.3198	6.0	168	2.0806	0.5985	8.0092
2.31	7.0	196	2.0744	0.6028	7.9594
2.3199	8.0	224	2.1230	0.5918	8.3558
2.2729	9.0	252	2.0403	0.6020	7.6928
2.2842	10.0	280	2.1096	0.5930	8.2446
2.2639	11.0	308	2.0864	0.5989	8.0560
2.2578	12.0	336	2.0610	0.6004	7.8541
2.2211	13.0	364	2.1497	0.5861	8.5819
2.2328	14.0	392	2.0952	0.5916	8.1274

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: 82a9201