/ Модель

Характеристики

Контекст
512 токенов
Параметры
58,3 млн
Лицензия
MIT
Архитектура
modernbert · dense
Базовая модель
19c-modernbert-mini-b
Библиотека
transformers
Опубликована
1 июл 2026

19c-modernbert-mini-b-news-gated-v2

Заполнение пропусковТекст → текст3 профессии

Энкодер ModernBERT для заполнения пропусков и адаптации NLP-задач к OCR-текстам газет XIX века.

14скачиваний за 30 дней0лайковвеса обновлены1 июл 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

19c-ModernBERT-mini-B Newspaper Gated v2 — это дообученный энкодер ModernBERT, разработанный для работы с OCR-текстами газет XIX века. Модель содержит 58,3 млн параметров, использует архитектуру ModernBERT и принимает последовательности длиной до 512 токенов. Она обучена продолжением предобучения masked language modeling на отфильтрованном корпусе газетных текстов; версия v2 разбивает полный текст статей на последовательные блоки, чтобы использовать корпус полнее, чем предыдущая версия.

Основная задача модели — предсказывать замаскированные токены. Её можно применять как основу для извлечения именованных сущностей, классификации, получения эмбеддингов и извлечения фрагментов из текстов газет XIX века. Модель не настроена на выполнение инструкций и не предназначена для генерации связных ответов. Лицензия — MIT.

Сценарии применения

  • восстановление замаскированных слов в текстах газет XIX века
  • извлечение именованных сущностей из газетного OCR
  • классификация статей и фрагментов исторических газет
  • получение эмбеддингов для поиска по архиву газет
  • извлечение значимых фрагментов из исторических текстов

Ограничения

Модель не настроена на инструкции и не предназначена для генерации текста. Контекст ограничен 512 токенами.

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

19c-ModernBERT-mini-B — Newspaper Gated v2 (full-corpus chunked)

Continued MLM pretraining of 19c-modernbert-mini-b on the quality-filtered newspaper corpus, v2: full-corpus chunked packing.

This supersedes 19c-modernbert-mini-b-news-gated. The v1 run silently trained on ~16% of the corpus — truncation=True, max_length=512 turned each article into at most one 512-token sequence, discarding everything past token 512. With articles averaging ~6,334 tokens, only the first ~8% of each article survived, exposing the model to ~42M of 264M available tokens. This run fixes that with standard group_texts packing: concatenate the full token stream and split into contiguous 512-token blocks, wasting almost nothing.

What changed from v1

v1 (gated)v2 (this model)
Tokenizationtruncation=True, max_length=512No truncation
Packing1 sequence per document (truncated)group_texts — contiguous 512-token blocks
Training sequences~41k~510k
Tokens seen~42M (~16% of corpus)~261M (~99% of corpus)
Steps (2 epochs)6467,968
Runtime~8 min~2 hr 1 min
Final PPL6.005.44 (best ckpt: 5.36)

Curriculum position

19c-modernbert-mini-b                    <- from scratch on Gutenberg prose (PPL 5.05)
        |
        +-> 19c-modernbert-mini-b-news               <- full OCR corpus, truncated
        +-> 19c-modernbert-mini-b-news-gated         <- gated OCR corpus, truncated (PPL 6.00)
        +-> 19c-modernbert-mini-b-news-gated-v2      <- THIS MODEL — gated, full-corpus (PPL 5.44)

Training

Base checkpointambrosfitz/19c-modernbert-mini-b (58.7M params)
Corpusambrosfitz/ca_19c_ocr_combined_gated — 41,669 docs, ~264M tokens
ObjectiveMLM, 15% masking
Packinggroup_texts across batch (blocks may straddle article boundaries — standard for MLM pretraining)
Train blocks509,952 x 512 tokens
Epochs2
Steps7,968
Effective batch size128 (batch 64 x grad_accum 2)
Learning rate5e-5, linear decay, 6% warmup
Weight decay0.01
Precisionbf16
AttentionSDPA
HardwareRunPod RTX A6000 (48GB)
Runtime2 hr 1 min

Evaluation (1% held-out document split, chunked)

StepEpochEval LossPPL
0 (baseline)—3.879648.40
5000.131.8256.21
10000.251.7495.75
20000.501.7015.48
40001.001.6865.41
55001.381.6905.42
75001.881.6795.36 — best checkpoint
7968 (final)2.001.6925.44

Model saved from best checkpoint (step 7500, PPL 5.36). Loss plateaus around epoch 1.0 and remains stable through epoch 2, indicating the model has extracted most of the available signal at this LR and data scale.

Architecture

Inherits the base model architecture unchanged:

Params58.7M
Hidden size576
Layers12
AttentionRoPE, alternating global / local (window 128)
Vocab32,101 (includes year tokens <1800>–<1900>)

Loading

from transformers import AutoModelForMaskedLM, AutoTokenizer

model = AutoModelForMaskedLM.from_pretrained("ambrosfitz/19c-modernbert-mini-b-news-gated-v2")
tokenizer = AutoTokenizer.from_pretrained("ambrosfitz/19c-modernbert-mini-b-news-gated-v2")

Intended use and limitations

Encoder for 19th-century newspaper OCR text — NER, classification, embedding, span extraction. Not instruction-tuned; not for generation. Recommended checkpoint for downstream tasks on 19c newspaper text.

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
fc84022

0 моделей