/ Модель

Характеристики

Контекст
8 192 токена
Параметры
377 млн
Лицензия
MIT
Архитектура
modernbert · dense
Базовая модель
ModernCamemBERT-bio-large
Библиотека
transformers
Опубликована
22 июл 2026

ModernCamemBERT-bio-v2-large

Заполнение пропусковТекст → текст3 профессии

Французская биомедицинская ModernBERT-модель для предсказания замаскированных токенов и анализа длинных клинических документов, включая классификацию и медицинское кодирование.

397скачиваний за 30 дней3лайкавеса обновлены2 авг 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-v2-large — франкоязычная биомедицинская encoder-модель семейства ModernBERT, разработанная Рианом Тушаном и Эриком де ла Клержери из Sorbonne Université и Inria Paris. Она создана продолжением предобучения ModernCamemBERT-bio-large на клинических текстах и синтетических учебных материалах, сформированных с опорой на онтологии CIM-10, CCAM и ATC. В модели около 376,7 млн параметров, окно контекста — 8 192 токена; в репозитории используются веса Safetensors.

Модель предназначена для представления французских биомедицинских документов и последующего применения к классификации длинных документов и задачам медицинского кодирования. В карточке приведён средний результат micro-F1 72,8 на документальном бенчмарке и лучшие среди сравнивавшихся вариантов показатели на задачах кодирования. Метаданные Hugging Face классифицируют её как fill-mask, то есть предсказание замаскированных токенов.

Это продолженное предобучение ModernCamemBERT-bio-large без специализированной головы для конкретной задачи; для классификации или кодирования может понадобиться дополнительная настройка под задачу. Модель выпущена по лицензии MIT. Оценка в карточке относится к указанному французскому биомедицинскому бенчмарку и сама по себе не гарантирует качество на других данных или сценариях.

Сценарии применения

  • предсказание пропущенных слов во французских биомедицинских текстах
  • классификация длинных клинических документов после настройки под задачу
  • поддержка кодирования диагнозов по CIM-10
  • классификация медицинских документов по кодам CCAM и ATC
  • извлечение контекстных представлений из французских клинических документов

Ограничения

Для классификации документов и медицинского кодирования может потребоваться дообучение под конкретную задачу. Заявленные результаты измерены на французском биомедицинском бенчмарке и не гарантируют качество за его пределами.

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

<a href=https://camembert-bio-model.fr/>

ModernCamemBERT-bio-v2-large

ModernCamemBERT-bio-v2-large is a French biomedical encoder for document-level tasks. It is obtained by continuing the pretraining of ModernCamemBERT-bio-large with an OntoBook phase, with an 8,192-token context window. On our French biomedical document benchmark it reaches 72.8 micro-F1, the best score we measured for coding and long-document classification at this size.

Authors

Rian Touchent and Eric de la Clergerie
Sorbonne Université, Inria Paris

Overview

ModernCamemBERT-bio is already adapted to French biomedical text through a CLM detour. The v2 variant adds a second continued-pretraining phase that we call OntoBook. Rather than plain masked language modeling, we train on ontology-grounded synthetic textbooks built from CIM-10, CCAM and ATC ontology walks, mixed with clinical text. The goal is to inject structured coding knowledge without adding any task-specific head. This model is our document specialist.

ArchitectureModernBERT
Parameters350M
Context length8,192 tokens
LanguageFrench
Base modelalmanach/ModernCamemBERT-bio-large

Usage

from transformers import AutoTokenizer, AutoModelForMaskedLM

model_id = "rntc/ModernCamemBERT-bio-v2-large"
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")
logits = model(**inputs).logits
i = inputs["input_ids"][0].tolist().index(tokenizer.mask_token_id)
print(tokenizer.decode(logits[0, i].argmax(-1)))

Evaluation

Per-task results on the document core of our French biomedical benchmark, scored with micro-F1 and averaged over nine seeds.

ModelFrACCO-30FrACCO-100CANTEMISTMORFITTMedDialog-FRAvg
ModernCamemBERT-bio-v2-large82.067.874.674.365.272.8
ModernCamemBERT-bio-v2-base78.063.770.973.563.770.0
ModernCamemBERT-bio-base74.261.171.272.963.768.6
DoctoModernBERT74.058.369.373.964.768.0
DrBERT54.239.641.271.064.154.0
DoctoBERT51.634.736.273.562.151.6
CamemBERT-bio44.022.317.770.945.840.1

ModernCamemBERT-bio-v2-large has the best average and the best score on each coding task. It scores 4.2 points above ModernCamemBERT-bio-base, the strongest publicly available French biomedical encoder we evaluated.

Environmental impact

The OntoBook phase reported here ran for about 3.4 GPU-hours on a single H100, on the Jean Zay cluster (GENCI-IDRIS) in France. We estimate roughly 0.10 kg CO2eq for this phase. This figure covers the continued-pretraining step only and does not include the pretraining of the base model.

License

MIT

Citation

@inproceedings{touchent:hal-05697506,
  TITLE = {{OntoBook: Ontology-Grounded Synthetic Textbooks for Medical Encoder Pretraining}},
  AUTHOR = {Touchent, Rian and de la Clergerie, {\'E}ric},
  URL = {https://hal.science/hal-05697506},
  BOOKTITLE = {{Proceedings of Knowledge Graphs and Large Language Models Workshop}},
  ADDRESS = {Palma de Mallorca, Spain},
  YEAR = {2026},
  MONTH = May,
  PDF = {https://hal.science/hal-05697506v1/file/main.pdf},
  HAL_ID = {hal-05697506},
  HAL_VERSION = {v1},
}

@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},
}

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
4a7f500

0 моделей