/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
28 июн 2026

NewsBERT_1800-1920

Заполнение пропусковТекст → текст3 профессии

Доменная версия BERT для восстановления пропущенных слов и анализа исторических англоязычных газет 1800–1920 годов.

87скачиваний за 30 дней0лайковвеса обновлены28 июн 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

NewsBERT_1800-1920 — англоязычная доменно-адаптированная модель BERT, разработанная TextMachineProject на основе google-bert/bert-base-uncased. Её дообучили с задачей masked language modeling на исторических газетных текстах 1800–1920 годов из коллекций HMD14 и LwM. Модель сохраняет архитектуру и словарь BERT-base uncased: 136,7 млн параметров, WordPiece из 30 522 токенов, 12 слоёв, 12 голов внимания, размер скрытого состояния 768 и максимальную длину последовательности 512 токенов.

Основное применение — предсказание замаскированных слов в историческом газетном английском. Представления CLS также можно использовать для кодирования текстов и сравнения статей по сходству. Модель принимает текст и выдаёт текстовые предсказания; она рассчитана на английский язык и специализирована на газетах XIX — начала XX века. Лицензия — MIT.

Сценарии применения

  • восстановление пропущенных слов в исторических газетах
  • подбор вероятных продолжений фразы из газетного архива
  • получение CLS-представлений исторических газетных статей
  • сравнение газетных статей по семантическому сходству

Ограничения

Модель специализирована на историческом газетном английском 1800–1920 годов, поэтому может хуже работать на современном английском и текстах других жанров. Максимальная длина последовательности — 512 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NewsBERT_1800-1920

NewsBERT_1800-1920 is a domain-adapted masked language model based on google-bert/bert-base-uncased. It has been fine-tuned with a masked language modeling (MLM) objective on all historical English newspaper text (1800-1920) from the following two collections:

NewsBERT_1800-1920 retains the architecture and vocabulary of BERT-base (uncased), with only weights being adapted to these datasets.


Model Details

  • Model type: BertForMaskedLM
  • Base model: google-bert/bert-base-uncased
  • Vocabulary: WordPiece (30,522 tokens)
  • Hidden size: 768
  • Layers: 12
  • Heads: 12
  • Max sequence length: 512
  • Fine-tuning objective: Masked language modeling (MLM)

How to Use

1. Fill-Mask Pipeline

from transformers import AutoTokenizer, AutoModelForMaskedLM, pipeline

model_id = "TextMachineProject/NewsBERT_1800-1920"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForMaskedLM.from_pretrained(model_id)

fill_mask = pipeline("fill-mask", model=model, tokenizer=tokenizer)

text = "The [MASK] was published in the newspaper."
preds = fill_mask(text)

for p in preds:
    print(f"{p['sequence']} (score={p['score']:.4f})")

2. Use as an Encoder (CLS Embeddings)

import torch
from transformers import AutoTokenizer, AutoModel

model_id = "TextMachineProject/NewsBERT_1800-1920"
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id).to(device)
model.eval()

def encode(text, max_length=512):
    inputs = tokenizer(
        text,
        return_tensors="pt",
        truncation=True,
        max_length=max_length
    ).to(device)

    with torch.no_grad():
        outputs = model(**inputs)
        embedding = outputs.last_hidden_state[:, 0, :]  # CLS token

    return embedding.squeeze(0).cpu()  # [768]

embedding = encode("Example newspaper article text...")
print(embedding.shape)  # torch.Size([768])

3. Compute Similarity Between Two Articles

import torch.nn.functional as F

e1 = encode("Article text one...")
e2 = encode("Another article...")

cos_sim = F.cosine_similarity(e1, e2, dim=0)
print("Cosine similarity:", cos_sim.item())

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
edc3efe

0 моделей