/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
ModernBERT-base
Библиотека
transformers
Опубликована
25 апр 2026

moBERTo

Заполнение пропусковТекст → текст8 профессий

Португалоязычная encoder-модель на базе ModernBERT для заполнения маски и дообучения на поисковое ранжирование и задачи понимания текста.

1 189скачиваний за 30 дней3лайкавеса обновлены23 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

moBERTo — португалоязычная адаптация encoder-only модели ModernBERT, разработанная Tropic-AI. Модель продолжительно предобучена на португалоязычном корпусе, использует специализированный португальский токенизатор и перенос подсловных эмбеддингов. Вариант с контекстом 8192 токена прошёл дополнительное обучение для длинного контекста.

Архитектура ModernBERT включает позиционные RoPE-эмбеддинги, чередование локального и глобального внимания, FlashAttention и unpadding. Модель содержит около 149 млн параметров и предназначена прежде всего для заполнения маскированных токенов и как основа для дообучения на ранжирование поиска, классификацию документов, распознавание сущностей и другие задачи понимания португальского текста. В статье сообщается о сильных результатах на португальских задачах поиска и понимания текста.

Лицензия — Apache-2.0. Это encoder-модель для понимания текста, а не генеративный чат-ассистент; для прикладных задач, таких как ранжирование и классификация, может потребоваться отдельное дообучение. Основной язык модели — португальский, хотя исходная ModernBERT обучалась на английском.

Сценарии применения

  • Заполнение пропущенных слов в португальском тексте
  • Ранжирование результатов поиска по запросу и документу
  • Классификация длинных португалоязычных документов
  • Распознавание именованных сущностей в португальских текстах
  • Оценка семантического сходства португальских предложений

Ограничения

Для переранжирования, классификации, распознавания сущностей и других downstream-задач требуется дообучение. Модель ориентирована на португальский текст и не является генеративным чат-ассистентом.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

moBERTo

Paper name: This model is referred to as moBERTo-SWM-8k (PT tok.) in the moBERTo paper. It is the best-performing variant of the moBERTo family, achieving the highest average reranking nDCG@10 across three Portuguese retrieval benchmarks and the best PLUE-PT score.

moBERTo is a Portuguese adaptation of ModernBERT, obtained through continued pretraining on a curated 12-billion-token Portuguese corpus (60B training tokens, 5 epochs) followed by a long-context post-training phase at 8,192-token context.

It combines four adaptation strategies:

  1. Continued pretraining from the original ModernBERT-base checkpoint, preserving the long-context capabilities learned during the original 2T-token English pretraining.
  2. Portuguese tokenizer with vocabulary optimized for Portuguese text.
  3. Subword Matching (SWM) embedding transfer, which initializes each new Portuguese token's embedding as a combination of the original ModernBERT subword embeddings, keeping the model close to its pretrained representation space.
  4. Long-context post-training at 8,192 tokens for an additional 10B tokens.

The model preserves all architectural advances of ModernBERT: rotary positional embeddings (RoPE), alternating local–global attention, FlashAttention, and unpadding, with a native context window of 8,192 tokens.


Model Details

AttributeValue
ArchitectureModernBERT (encoder-only)
Base checkpointanswerdotai/ModernBERT-base
Parameters~150M
Max context length8,192 tokens
TokenizerPortuguese (custom vocabulary)
Embedding initSubword Matching (SWM) transfer
Pretraining tokens60B (5 epochs over 12B-token corpus)
Long-context post-tr.10B tokens at 8,192-token context
Training corpusFineWeb-2 (PT subset) filtered with ClassiCC-PT
FrameworkComposer
Precisionbfloat16
LicenseApache 2.0

Quick Start

long_text = "..."  # documento longo em português
inputs = tokenizer(long_text, max_length=8192, truncation=True, return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs)

Recommended for downstream tasks

This model is best used as a backbone for fine-tuning on:

  • Cross-encoder reranking (information retrieval)
  • Document classification
  • Named entity recognition
  • Natural language inference / semantic textual similarity
  • Long-document retrieval (up to 8,192 tokens)

Evaluation Results

All metrics are reported on Portuguese benchmarks. Best results are in bold; second-best are underlined.

Information Retrieval (Reranking, nDCG@10)

Cross-encoder reranking, fine-tuned on mMARCO-PT triples.

ModelQUATImMARCORobust04Avg.
BERT-base0.28460.40500.23890.3095
BERTimbau-base0.48700.50050.41380.4671
ModernBERT-base0.37790.47990.29880.3855
NeoBERT-base0.40000.46980.31170.3938
Qwen3-0.6B-base0.42480.50650.29940.4102
moBERTo-orig-tokenizer-1k0.53830.51090.45100.5001
moBERTo-orig-tokenizer0.52310.50890.45160.4945
moBERTo-1k0.54100.51690.47820.5120
moBERTo (this model)0.56090.51470.50100.5255

Long-Context Retrieval (MLDR, nDCG@10)

Model5122,0484,0968,192
ModernBERT-base0.40540.42060.30150.2867
NeoBERT-base0.47460.51490.4676--
Qwen3-0.6B-base0.35600.40230.42410.5351
moBERTo-orig-tokenizer-1k0.58340.59090.62860.6166
moBERTo-orig-tokenizer0.56740.60250.58760.6140
moBERTo-1k0.54660.47910.57140.5857
moBERTo (this model)0.58270.56060.59050.5777

Classification (F1)

  • Docs: document type classification (news, legal, academic, etc.)
  • Educ.: educational content detection
ModelDocsEduc.Avg.
BERT-base0.87000.56900.7195
BERTimbau-base0.89780.63820.7680
ModernBERT-base0.84160.57300.7073
NeoBERT-base0.89700.62660.7618
Qwen3-0.6B-base0.91200.62890.7705
moBERTo-orig-tokenizer-1k0.89420.60700.7506
moBERTo-orig-tokenizer0.89620.60350.7499
moBERTo-1k0.90240.62810.7653
moBERTo (this model)0.90390.63940.7717
NeoBERT-PT0.90300.64280.7729
Qwen3-0.6B-PT0.90700.63110.7691

NLU and NER (F1)

ModelPLUE-PTLeNER-BrGLUE (English)
BERT-base0.64230.85000.7815
BERTimbau-base0.68000.90400.6772
ModernBERT-base0.64200.82400.8301
NeoBERT-base0.66540.85900.7430
Qwen3-0.6B-base0.63430.70200.7260
moBERTo-orig-tokenizer-1k0.68490.83710.7705
moBERTo-orig-tokenizer0.69100.85870.7724
moBERTo-1k0.69590.87100.7128
moBERTo (this model)0.69800.87260.7354
NeoBERT-PT0.68420.88400.6620
Qwen3-0.6B-PT0.66320.71000.7050

Note on GLUE: As expected from continued pretraining on Portuguese, English performance degrades. ModernBERT-base remains the strongest on GLUE (0.8301);


Key Findings (from the paper's ablations)

  1. Continued pretraining > training from scratch. Especially for long-context: moBERTo achieves 0.5777 on MLDR@8192 vs. 0.1405 for a from-scratch baseline trained on the same Portuguese budget. The original 2T-token ModernBERT pretraining provides representations that transfer effectively even when continued pretraining itself uses only 1,024-token sequences.
  2. Tokenizer adaptation helps token-level tasks but disrupts long context. Moving to a Portuguese tokenizer improves PLUE-PT and LeNER-Br but hurts MLDR@8192 (drops by ~11 points without embedding transfer).
  3. SWM embedding transfer mitigates the long-context degradation. By initializing new Portuguese embeddings as combinations of the original subword embeddings, SWM recovers most of the long-context performance lost by tokenizer adaptation alone.
  4. Long-context post-training yields the strongest reranker. moBERTo (this model) achieves the highest average reranking nDCG@10 (0.5255) and the best PLUE-PT score (0.6980).

Training Data

The pretraining corpus was curated from the Portuguese subset of FineWeb-2 and further filtered using the educational and STEM classifiers from ClassiCC-PT. The final corpus comprises ~12 billion tokens, roughly six times larger than BrWaC, covering a broad range of domains and topics in Portuguese.

The training data has been publicly released alongside the model.


Training Procedure

Phase 1 — Continued pretraining (60B tokens at 1,024 context)

ParameterValue
Training tokens60B (5 epochs over 12B)
Max sequence length1,024
Batch size4,608
Masking rate30%
OptimizerStableAdamW
Learning rate5e-4
Weight decay1e-5
Dropout (attn output)0.1
Dropout (other)0.0
Precisionbfloat16
RoPE base (global attn)160,000
RoPE base (local attn)10,000

Phase 2 — Long-context post-training (10B tokens at 8,192 context)

Same hyperparameters as Phase 1, except:

ParameterValue
Training tokens10B
Max sequence length8,192
Batch size576

Related Models in the moBERTo Family

Hugging Face RepoPaper NameTokenizerLong-ctx post-tr.
Tropic-AI/moBERTo-orig-tokenizermoBERTo-8k (orig. tok.)OriginalYes
**Tropic-AI/moBERTo (this) *moBERTo-SWM-8k (PT tok.)PT (SWM)Yes

Citation

@misc{laitz2026mobertomodernencoderportuguese,
      title={moBERTo: A Modern Encoder for Portuguese via Continued Pretraining of ModernBERT}, 
      author={Thiago Laitz and Thales Sales Almeida and João Guilherme Alves Santos and Giovana Kerche Bonás},
      year={2026},
      eprint={2606.22722},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2606.22722}, 
}

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
ModernBertForMaskedLM
Ревизия весов
713e55a

0 моделей