/ Модель

Характеристики

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

ModernCamemBERT-bio-base

Заполнение пропусковТекст → текст3 профессии

Франкоязычный биомедицинский ModernBERT-энкодер для заполнения масок и дообучения под задачи клинического NLP с контекстом до 8192 токенов.

366скачиваний за 30 дней3лайкавеса обновлены18 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

ModernCamemBERT-bio-base — франкоязычная биомедицинская модель-энкодер, разработанная Almanach на архитектуре ModernBERT. Это дообученная версия ModernCamemBERT, предназначенная для заполнения пропусков и адаптации к задачам клинической и биомедицинской обработки текста.

Модель содержит 135,5 млн параметров по метаданным и поддерживает контекст до 8192 токенов. При обучении применялся двухэтапный рецепт CLM detour: продолжение предобучения с причинной языковой моделью, а затем возврат к маскированному языковому моделированию. README сообщает об улучшении в среднем на 2,8 процентного пункта по восьми франкоязычным биомедицинским задачам относительно соответствующего MLM baseline. Модель подходит для NER, классификации клинических документов и извлечения информации из длинных медицинских текстов.

Это энкодер, который формирует контекстуальные представления и поддерживает заполнение масок, но не генерирует связный текст. Он обучен на французских биомедицинских данных и не предназначен для других языков без дополнительной адаптации. Лицензия — Apache-2.0.

Сценарии применения

  • заполнение пропущенных слов в медицинских текстах на французском языке
  • распознавание заболеваний, лекарств и медицинских процедур в документах
  • классификация клинических документов по специальности или кодам ICD
  • извлечение информации из медицинских отчётов и инструкций к препаратам
  • анализ длинных клинических записей без усечения до 512 токенов

Ограничения

Модель обучена на французских биомедицинских текстах и не предназначена для других языков без адаптации. Как энкодер, она не генерирует связный текст; при работе с клиническими данными необходимо соблюдать применимые требования к конфиденциальности.

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

ModernCamemBERT-bio-base

ModernCamemBERT-bio is available in two sizes: base (150M parameters) and large (350M parameters).

Table of Contents

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

Model Summary

ModernCamemBERT-bio is a French biomedical encoder built by continued pretraining of ModernCamemBERT 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 by +2.8pp on average across 8 French biomedical tasks.

The model uses the ModernBERT architecture with FlashAttention, rotary positional embeddings (RoPE), alternating local/global attention, and unpadding, supporting 8,192-token context, critical for long clinical documents that exceed the 512-token limit of previous French biomedical models.

ArchitectureModernBERT
Parameters150M
Layers22
Hidden size768
Attention heads12
Context length8,192 tokens
LanguageFrench
Base modelalmanach/moderncamembert-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/ModernCamemBERT-bio-base"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForMaskedLM.from_pretrained(model_id)

text = "Le patient présente une <mask> aiguë du myocarde."
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/ModernCamemBERT-bio-base"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id)

text = "Compte rendu d'hospitalisation du patient admis pour décompensation cardiaque."
inputs = tokenizer(text, return_tensors="pt", max_length=8192, truncation=True)
outputs = model(**inputs)
# outputs.last_hidden_state: [batch, seq_len, 768]

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

Training

Data

CorpusTokensDescription
MC-Bio7BQuality-filtered French biomedical text (scientific articles, drug leaflets, clinical guidelines)
MCQA2BMedical question-answer pairs
E3C400MClinical cases from journals and theses
EMEA600MPharmaceutical documents (European Medicines Agency)
Total10B

Methodology

ModernCamemBERT-bio is trained in two phases, initialized from ModernCamemBERT:

  • Phase 1 (CLM detour, 10B 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, 1B 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 (11B 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. Total training time: ~4 hours wall-clock (16 GPU-h, 0.46 kg CO₂eq).

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: freezing early layers during CLM eliminates the downstream benefit (the model matches the MLM baseline), while freezing mid layers preserves it (double dissociation). See our paper for the full mechanistic analysis.

Evaluation

French biomedical benchmark results (8 tasks, 9 seeds per model, macro-averaged F1):

ModelCtxFrACCO-30FrACCO-100CANTEMISTDISTEMISTMedDialogDiaMedEMEAMedlineAvg
ModernCamemBERT-bio-base819274.860.171.025.563.667.468.661.961.6
MLM baseline (ours)819269.956.864.923.562.563.468.561.458.9
ModernCamemBERT819270.155.363.320.260.656.468.059.756.7
DrBERT51253.035.637.921.463.657.069.662.850.1
CamemBERT-bio51241.920.112.89.638.647.770.865.238.3

ModernCamemBERT-bio-base outperforms the matched MLM baseline on all 8 tasks (+2.8pp, binomial p=0.004).

Intended Use

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

  • Named entity recognition (diseases, chemicals, procedures)
  • Document classification (clinical specialties, ICD coding)
  • Multilabel classification on long clinical documents
  • Information extraction from clinical reports, drug leaflets, and scientific articles

The 8,192-token context is critical for long clinical documents (discharge summaries, oncology 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 French biomedical text; not suitable for other languages without further adaptation.
  • Encoder model: produces contextualized representations, does not generate text.
  • Clinical text may contain sensitive patterns; users are responsible for compliance with applicable regulations.

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
2449cc0

0 моделей