/ Модель

Характеристики

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

ModernBERT-bio-large

Заполнение пропусковТекст → текст3 профессии

Англоязычный биомедицинский энкодер для заполнения масок и дообучения под клинические задачи обработки текста.

360скачиваний за 30 дней5лайковвеса 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-large — англоязычный биомедицинский энкодер от Almanach, полученный дополнительным предобучением ModernBERT-large по схеме CLM detour с последующим возвращением к masked language modeling. Модель имеет архитектуру ModernBERT с чередованием локального и глобального внимания, FlashAttention и RoPE; содержит около 395 млн параметров и поддерживает контекст до 8192 токенов.

Модель предназначена для заполнения масок и дообучения под биомедицинские и клинические задачи: распознавание сущностей, классификацию документов, извлечение отношений и обезличивание клинических записей. В README сообщается о среднем F1 78,7% на 11 англоязычных биомедицинских тестах. Она выдаёт контекстные представления и не предназначена для генерации текста; большой размер требует значительных вычислительных ресурсов.

Модель обучена на англоязычных биомедицинских аннотациях, медицинских инструкциях и клинических заметках. Для других языков она не предназначена без дополнительной адаптации. Лицензия — Apache-2.0.

Сценарии применения

  • заполнение пропущенных слов в биомедицинских текстах
  • распознавание заболеваний, химических веществ и генов
  • классификация клинических документов и фенотипов
  • извлечение отношений из медицинских публикаций
  • обезличивание клинических заметок
  • анализ длинных клинических документов

Ограничения

Модель обучена на английских биомедицинских текстах и без дополнительной адаптации не подходит для других языков. Это энкодер, который формирует контекстные представления, а не генерирует текст; крупный размер повышает требования к вычислительным ресурсам.

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-large

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-large is the Large variant of our English biomedical encoder, built by continued pretraining of ModernBERT-large using a CLM detour recipe. Instead of standard MLM continued pretraining, we temporarily switch to causal language modeling (CLM) before returning to MLM.

ModernBERT-bio-large achieves 78.7% average F1 across 11 English biomedical benchmarks, the highest overall score, outperforming both the MLM baseline (+0.8pp, 7/11 task wins) and all other models.

ArchitectureModernBERT (FlashAttention, RoPE, alternating local/global attention, unpadding)
Parameters396M
Layers28
Hidden size1024
Attention heads16
Context length8,192 tokens
LanguageEnglish
Base modelanswerdotai/ModernBERT-large

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-large"
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-large"
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, 1024]

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-large is trained in two phases, initialized from ModernBERT-large:

  • 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. These changes persist through the MLM decay phase, even when the decay matches the CLM phase in length. The Large model retains 67.2% CKA divergence from its MLM counterpart (vs 56.5% for Base), showing that the effect scales with model capacity. The CLM benefit also widens at Large scale: +0.8pp (Large) vs +0.3pp (Base). 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-large819290.461.394.756.584.277.4
MLM baseline Large (ours)819290.561.094.955.082.376.7
BioClinical-ModernBERT-base819290.060.794.856.081.876.7
PubMedBERT51290.252.095.048.780.473.3

BigBIO Tasks

ModelCtxAnatEMBC5CDRJNLPBANCBIGADHoCAvg
ModernBERT-bio-large819283.289.875.381.779.769.379.8
MLM baseline Large (ours)819282.089.475.581.876.467.878.8
BioClinical-ModernBERT-base819279.288.774.878.775.867.077.4
PubMedBERT51283.389.774.982.179.371.080.1

Overall

ModelClinicalBigBIOOverall
ModernBERT-bio-large77.479.878.7
MLM baseline Large (ours)76.778.877.9
ModernBERT-bio-base76.978.978.0
BioClinical-ModernBERT-base76.777.477.0
PubMedBERT73.380.177.0

ModernBERT-bio-large achieves the highest overall score (78.7%), with the CLM benefit widening at Large scale (+0.8pp vs +0.3pp for Base). The model sets new state-of-the-art on DEID (84.2%) and is competitive with the best baselines on the remaining tasks.

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. The Large size provides improved performance over Base, particularly on NER tasks (AnatEM, DEID, GAD), at the cost of higher compute requirements.

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.).
  • Training data includes MIMIC clinical notes, which are de-identified but derived from real patient records.

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
83f7c93

0 моделей