/ Модель

Характеристики

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

ModernBERT-bio-base

Заполнение пропусковТекст → текст3 профессии

Англоязычная биомедицинская encoder-модель ModernBERT для заполнения пропусков и дообучения под клинические задачи NLP с контекстом до 8192 токенов.

148скачиваний за 30 дней6лайковвеса обновлены13 мая 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

ModernBERT-bio-base — англоязычная биомедицинская encoder-модель, разработанная Almanach продолженным предобучением answerdotai/ModernBERT-base. Модель содержит 149 млн параметров и использует архитектуру ModernBERT с FlashAttention, RoPE и чередованием локального и глобального внимания. Она обрабатывает контекст до 8192 токенов и предназначена для заполнения пропусков и дообучения под задачи биомедицинского и клинического NLP.

Модель подходит для распознавания биомедицинских сущностей, классификации клинических документов, извлечения отношений и информации, фенотипирования и удаления идентифицирующих данных из клинических записей. В README сообщается о среднем F1 78,0% на 11 англоязычных биомедицинских тестах; длинный контекст помогает работать с клиническими документами, которые короткие модели могут обрезать. Это encoder, который выдаёт контекстуализированные представления и не генерирует текст. Обучение на английских биомедицинских текстах ограничивает применение другими языками без дополнительной адаптации. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • распознавание заболеваний, химических веществ, генов и анатомических сущностей
  • классификация клинических документов и фенотипирование
  • извлечение отношений из биомедицинских текстов
  • удаление идентифицирующих данных из клинических записей
  • извлечение информации из аннотаций PubMed и клинических отчётов

Ограничения

Модель обучена на англоязычных биомедицинских текстах и не предназначена для других языков без адаптации; она кодирует текст, но не генерирует его. Заявленный прирост от CLM-MLM обучения на базовом размере невелик и статистически незначим по приведённой оценке.

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

ModernBERT-bio-base

ModernBERT-bio is available in two sizes: base (149M parameters) and large (396M parameters).

Table of Contents

  1. Model Summary
  2. Usage
  3. Training
  4. Evaluation
  5. License
  6. Citation

Model Summary

ModernBERT-bio is an English biomedical encoder built by continued pretraining of ModernBERT using a CLM detour recipe. Instead of standard MLM continued pretraining, we temporarily switch to causal language modeling (CLM) before returning to MLM. This produces lasting representational changes in early transformer layers that improve downstream biomedical performance.

ModernBERT-bio achieves 78.0% average F1 across 11 English biomedical benchmarks (5 Clinical + 6 BigBIO), the highest balanced score across both task families.

ArchitectureModernBERT (FlashAttention, RoPE, alternating local/global attention, unpadding)
Parameters149M
Layers22
Hidden size768
Attention heads12
Context length8,192 tokens
LanguageEnglish
Base modelanswerdotai/ModernBERT-base

Usage

You can use this model with the transformers library (v4.48.0+):

pip install -U transformers>=4.48.0

If your GPU supports it, install Flash Attention for best efficiency:

pip install flash-attn

Masked Language Modeling

from transformers import AutoTokenizer, AutoModelForMaskedLM

model_id = "almanach/ModernBERT-bio-base"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForMaskedLM.from_pretrained(model_id)

text = "The patient was diagnosed with [MASK] and started on antibiotics."
inputs = tokenizer(text, return_tensors="pt")
outputs = model(**inputs)

masked_index = inputs["input_ids"][0].tolist().index(tokenizer.mask_token_id)
predicted_token_id = outputs.logits[0, masked_index].argmax(axis=-1)
predicted_token = tokenizer.decode(predicted_token_id)
print("Predicted token:", predicted_token)

Fine-tuning (Classification, NER, etc.)

from transformers import AutoTokenizer, AutoModel

model_id = "almanach/ModernBERT-bio-base"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id)

text = "The patient presented with acute myocardial infarction and was treated with percutaneous coronary intervention."
inputs = tokenizer(text, return_tensors="pt", max_length=8192, truncation=True)
outputs = model(**inputs)
# outputs.last_hidden_state: [batch, seq_len, 768]

Note: ModernBERT-bio does not use token type IDs. You can omit the token_type_ids parameter.

Training

Data

CorpusProportionDescription
PubMed60%Biomedical abstracts
Med-Inst20%Medical instructions
MIMIC20%Clinical notes
Total50B tokens

Methodology

ModernBERT-bio-base is trained in two phases, initialized from ModernBERT-base:

  • Phase 1 (CLM detour, 50B tokens): The bidirectional attention mask is replaced with a causal mask, and the model is trained with next-token prediction. This dense training signal (100% of positions) deeply modifies early transformer layers for domain adaptation.
  • Phase 2 (MLM decay, 5B tokens): Bidirectional attention is restored, and the model is trained with masked language modeling at 15% masking. The learning rate decays from peak to 10% following a 1-sqrt schedule.

Both phases use the same data mix (55B tokens total). Training used AdamW (lr=2e-4, beta1=0.9, beta2=0.98), bf16 mixed precision, global batch size of 384 sequences (~3.1M tokens), on 4× H100 80GB GPUs with Composer.

Why a CLM Detour?

CLM supervises every token position, producing dense gradient updates that deeply modify early transformer layers (layers 0-7). These changes persist through the MLM decay phase, even when the decay matches the CLM phase in length. We provide causal evidence through freeze interventions showing that early-layer modification is both necessary and sufficient for the CLM benefit (double dissociation). See our paper for the full mechanistic analysis.

Evaluation

English biomedical benchmark results (11 tasks, 5 seeds per model):

Clinical Tasks

ModelCtxChemProtPhenotypeCOSSocial Hist.DEIDAvg
ModernBERT-bio-base819290.161.995.254.283.276.9
BioClinical-ModernBERT-base819290.060.794.856.081.876.7
PubMedBERT51290.252.095.048.780.473.3
ModernBERT-base819289.548.494.053.178.372.7

BigBIO Tasks

ModelCtxAnatEMBC5CDRJNLPBANCBIGADHoCAvg
ModernBERT-bio-base819281.089.174.580.178.870.078.9
BioClinical-ModernBERT-base819279.288.774.878.775.867.077.4
PubMedBERT51283.389.774.982.179.371.080.1
ModernBERT-base819277.287.974.377.776.866.676.8

Overall

ModelClinicalBigBIOOverall
ModernBERT-bio-base76.978.978.0
BioClinical-ModernBERT-base76.777.477.0
PubMedBERT73.380.177.0
ModernBERT-base72.776.874.9

ModernBERT-bio-base achieves the highest balanced score (78.0%) across both Clinical and BigBIO task families. PubMedBERT scores higher on short-context BigBIO NER tasks but falls behind on long-context tasks (Phenotype: 52.0% vs 61.9%).

Intended Use

This model is designed for English biomedical and clinical NLP tasks:

  • Named entity recognition (diseases, chemicals, genes, anatomy)
  • Document classification (clinical phenotyping, relation extraction)
  • De-identification of clinical notes
  • Information extraction from PubMed abstracts and clinical reports

The 8,192-token context is important for long clinical documents (discharge summaries, pathology reports) that are truncated by 512-token models.

Related Models

ModelLanguageParameters
ModernBERT-bio-baseEnglish149M
ModernBERT-bio-largeEnglish396M
ModernCamemBERT-bio-baseFrench150M
ModernCamemBERT-bio-largeFrench350M

Limitations

  • Trained on English biomedical text; not suitable for other languages without further adaptation. See ModernCamemBERT-bio for French.
  • Encoder model: produces contextualized representations, does not generate text.
  • Clinical text may contain sensitive patterns; users are responsible for compliance with applicable regulations (HIPAA, etc.).
  • The English CLM-MLM improvement (+0.3pp at Base scale) is smaller than in French (+2.8pp) and not statistically significant at Base scale (binomial p=0.27). The practical benefit is clearest at Large scale (+0.8pp) and on long-context tasks.

License

Apache 2.0

Citation

@misc{touchent2026causallanguagemodelingdetour,
      title={A Causal Language Modeling Detour Improves Encoder Continued Pretraining}, 
      author={Rian Touchent and Eric de la Clergerie},
      year={2026},
      eprint={2605.12438},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2605.12438}, 
}

Acknowledgments

This work was performed using HPC resources from GENCI-IDRIS (Grant 2024-AD011014393R2).

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
ee044b7

0 моделей