/ Модель

Характеристики

Контекст
8 192 токена
Параметры
135 млн
Лицензия
MIT
Архитектура
modernbert · dense
Библиотека
transformers
Опубликована
11 апр 2025

moderncamembert-base

Заполнение пропусковТекст → текст10 профессий

Франкоязычная базовая ModernBERT-модель для заполнения пропусков и дообучения под задачи обработки текста, в том числе с длинным контекстом до 8192 токенов.

1 220скачиваний за 30 дней9лайковвеса обновлены25 ноя 2025

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 — франкоязычная модель семейства ModernBERT, разработанная Almanach. Это базовая модель на 135,5 млн параметров, предварительно обученная на корпусе из 1 трлн токенов французского текста с целью masked language modeling. В обучающие данные вошли отфильтрованный French RedPajama-V2, научные документы HALvest и французская Википедия; используется токенизатор CamemBERTav2.

Модель предназначена для дообучения под задачи обработки французского языка, включая распознавание именованных сущностей, классификацию, определение семантического сходства, ответы на вопросы и получение эмбеддингов. По сравнению с прежними моделями CamemBERT её преимущества — более быстрое обучение и инференс, а также длинный контекст до 8192 токенов. Для заполнения пропусков в тексте доступна задача fill-mask.

Авторы отмечают, что CamemBERTaV2 превосходит её по эффективности использования данных и результатам на большинстве бенчмарков; ModernCamemBERT рекомендуют прежде всего для сценариев с длинным контекстом или требованием к скорости. Модель распространяется по лицензии MIT.

Сценарии применения

  • Заполнение пропущенных слов во французском тексте
  • Дообучение для распознавания именованных сущностей на французском
  • Классификация французских текстов
  • Оценка семантического сходства французских предложений
  • Дообучение для ответов на вопросы по французским документам
  • Получение эмбеддингов французских текстов после дообучения

Ограничения

На большинстве бенчмарков CamemBERTaV2 показывает лучшие результаты и выше эффективность использования данных. Модель рекомендуется прежде всего для задач, где важны длинный контекст или скорость инференса.

Для каких профессий подходит10

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

ModernCamemBERT

ModernCamemBERT is a French language model pretrained on a large corpus of 1T tokens of High-Quality French text. It is the French version of the ModernBERT model. ModernCamemBERT was trained using the Masked Language Modeling (MLM) objective with 30% mask rate on 1T tokens on 48 H100 GPUs. The dataset used for training is a combination of French RedPajama-V2 filtered using heuristic and semantic filtering, French scientific documents from HALvest, and the French Wikipedia. Semantic filtering was done by fine-tuning a BERT classifier trained on a document quality dataset automatically labeled by LLama-3 70B. We also re-use the old CamemBERTav2 tokenizer. The model was first trained with 1024 context length which was then increased to 8192 tokens later in the pretraining. More details about the training process can be found in the ModernCamemBERT paper.

The goal of ModernCamemBERT was to run a controlled study by pretraining ModernBERT on the same dataset as CamemBERTaV2, a DeBERTaV3 French model, isolating the effect of model design. Our results show that the previous model generation remains superior in sample efficiency and overall benchmark performance, with ModernBERT’s primary advantage being faster training and inference speed. However, the new proposed model still provides meaningful architectural improvements compared to earlier models such as the BERT and RoBERTa CamemBERT/v2 model. Additionally, we observe that high-quality pre-training data accelerates convergence but does not significantly improve final performance, suggesting potential benchmark saturation.

We recommend using the ModernCamemBERT model for tasks that require a large context length or efficient inference speed. Other tasks should still use the CamemBERTaV2 model, which is still the best performing model on most benchmarks.

We release two versions of the model: almanach/moderncamembert-base and almanach/moderncamembert-cv2-base. The first version is the one trained on the new high-quality 1T token dataset, while the second one is the one trained on the old CamemBERTaV2 dataset. The two models are trained with the same architecture and hyperparameters.

How to use

from transformers import AutoTokenizer, AutoModel, AutoModelForMaskedLM

model = AutoModel.from_pretrained("almanach/moderncamembert-base")
tokenizer = AutoTokenizer.from_pretrained("almanach/moderncamembert-base")

Fine-tuning Results:

Datasets: NER (FTB), the FLUE benchmark (XNLI, CLS, PAWS-X), the French Question Answering Dataset (FQuAD), MTEB (French), MLDR (French).

ModelFTB-NERCLSPAWS-XXNLIF1 (FQuAD)EM (FQuAD)MTEB (Retrieval)MLDR (long range retrieval)
CamemBERT89.9794.6291.3681.9580.9862.51--
CamemBERTa90.3394.9291.6782.0081.1562.01--
CamemBERTv291.9995.0792.0081.7580.9861.3551.6728.37
CamemBERTav293.4095.6393.0684.8283.0464.2931.1500.91
ModernCamemBERT-CV292.1794.8692.7182.8581.6862.0048.7922.59
ModernCamemBERT91.3394.9292.5283.6282.1962.6649.2934.32

For MTEB and MLDR, the embeddings models were trained on the translated STS benchmark.

Finetuned models are available in the following collection: ModernCamembert Models

Pretraining Codebase

We use the pretraining codebase from the ModernBERT repository for all ModernCamemBERT models.

Citation

@misc{antoun2025modernbertdebertav3examiningarchitecture,
      title={ModernBERT or DeBERTaV3? Examining Architecture and Data Influence on Transformer Encoder Models Performance}, 
      author={Wissam Antoun and Benoît Sagot and Djamé Seddah},
      year={2025},
      eprint={2504.08716},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2504.08716}, 
}

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
8e70002

0 моделей