/ Модель

Характеристики

Контекст
1 024 токена
Параметры
190 млн
Лицензия
CC BY 4.0
Архитектура
deberta-v2 · dense
Библиотека
transformers
Опубликована
12 июн 2026

deberta-base-100k

Заполнение пропусковТекст → текст3 профессии

Контрольная модель DeBERTa-v3 для заполнения пропусков в тексте и исследовательского сравнения с вариантами, чьи эмбеддинги инициализированы визуальными признаками.

30скачиваний за 30 дней0лайковвеса обновлены9 сен 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

Это базовая модель DeBERTa-v3 для предсказания замаскированных токенов, подготовленная командой Augustinian BabyLM как контрольный вариант для сравнения с моделями, в которых инициализацию входных эмбеддингов задают визуальные признаки. Модель содержит 190 млн параметров, использует архитектуру DeBERTa-v2 для masked language modeling и принимает текст с пропусками; максимальная длина контекста — 1024 токена.

Модель обучали 10 эпох на корпусе bb24.train объёмом около 9,9 млн слов, который сочетает сгенерированные LLM перефразирования и части корпуса BabyLM. Она предназначена для исследовательских сравнений того, как визуальная инициализация влияет на усвоение языковых и предметных свойств небольшими языковыми моделями. Лицензия — CC-BY-4.0.

В README сообщается о приросте на тестах свойств объектов у моделей с визуально инициализированными эмбеддингами, тогда как результаты на грамматических тестах оставались примерно неизменными; это вывод о сравнении моделей, а не отдельная заявленная возможность данного контрольного чекпойнта. Модель обучена на нестандартном корпусе, поэтому её результаты напрямую несопоставимы с моделями на официальном распределении BabyLM 2026 strict-small. Это исследовательский артефакт на одной архитектуре masked LM, не предназначенный для развёртывания.

Сценарии применения

  • предсказание замаскированных слов в предложении
  • сравнение языковых моделей BabyLM с разными способами инициализации эмбеддингов
  • исследование усвоения свойств объектов по небольшому корпусу
  • оценка влияния визуальной инициализации на masked language modeling

Ограничения

Модель обучена на нестандартном корпусе bb24.train, поэтому результаты напрямую несопоставимы с системами, обученными на официальном наборе BabyLM 2026 strict-small. Это исследовательский артефакт одной архитектуры, не предназначенный для развёртывания.

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

deberta-base-100k

Random-initialization baseline for the 100k vocabulary. This is the control that vision-seeded models with the same vocabulary are compared against.

Seeded counterparts: augustinian-babylm/deberta-base-100k-sam, -dinov3, -ibot.

Part of the model set for Augustinian BabyLM: What Ostensive Definition Can and Cannot Teach a Small Language Model (paper, code).

Usage

from transformers import AutoModelForMaskedLM, AutoTokenizer
tok = AutoTokenizer.from_pretrained("augustinian-babylm/babylm-bpe-100k")
model = AutoModelForMaskedLM.from_pretrained("augustinian-babylm/deberta-base-100k")

Training

DeBERTa-v3-base masked LM (768 hidden, 12 layers, 12 heads), trained for 10 epochs on bb24.train, the ~9.9M-word corpus of Edman et al. (2024), which mixes LLM-generated paraphrase data with portions of the official BabyLM corpus. This is not the official 2026 strict-small distribution.

Learning rate2e-4, cosine schedule, 4000 warmup steps
OptimizerAdamW (beta1 0.9, beta2 0.95), weight decay 0.01
Effective batch256 (gradient accumulation 4)
Context length64 to 128 from epoch 5, max 512
VocabularyBPE, 100k merges (augustinian-babylm/babylm-bpe-100k)

Only the input-embedding initialization differs between a vision-init model and its baseline. Every other hyperparameter, the data order, and the random seed are held fixed.

Checkpoints

Intermediate checkpoints are stored as branches, saved Pythia-style by step:

from transformers import AutoModelForMaskedLM
AutoModelForMaskedLM.from_pretrained("augustinian-babylm/deberta-base-100k", revision="step256")

Call huggingface_hub.list_repo_refs("augustinian-babylm/deberta-base-100k") to list the available steps.

Results

Vision seeding produces a consistent object-property gain (COMPS, +1.30 averaged over nine encoder-by-vocabulary configurations, positive in all nine) while grammar-focused benchmarks stay flat. The effect is word-specific: on a corpus-tailored Visual-Property Swap probe the advantage falls entirely on seeded words, with the placebo cell at +0.000. See the paper for full results.

Limitations

Trained on a non-standard corpus (see above), so results are not directly comparable to submissions trained on the official 2026 strict-small data. Single masked-LM architecture. Research artifact, not intended for deployment.

Citation

@inproceedings{bylinina2026augustinian,
  title     = {Augustinian BabyLM: What Ostensive Definition Can and Cannot
               Teach a Small Language Model},
  author    = {Bylinina, Lisa},
  booktitle = {Proceedings of the BabyLM Workshop},
  year      = {2026},
  url       = {https://openreview.net/forum?id=B4TD4XdlwF}
}

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
DebertaV2ForMaskedLM
Ревизия весов
d945ecd

0 моделей