/ Модель

Характеристики

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

deberta-base-50k

Заполнение пропусковТекст → текст3 профессии

Экспериментальная англоязычная DeBERTa-v3-модель для заполнения пропусков и исследований предобучения малых языковых моделей.

52скачиваний 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

DeBERTa-v3-base-50k — модель Augustinian BabyLM для предсказания замаскированных токенов. Это контрольный вариант со случайной инициализацией весов, с которым сравнивают модели, где начальные представления слов получены из визуальных моделей. Архитектура DeBERTa-v3-base содержит 12 слоёв, 12 голов внимания и размер скрытого представления 768; число параметров — 151,6 млн, контекст — до 1024 токенов.

Модель обучали 10 эпох на корпусе bb24.train объёмом около 9,9 млн слов, который объединяет перефразированные данные, сгенерированные LLM, и части корпуса BabyLM. Она предназначена для экспериментов по предобучению малых языковых моделей и сравнению способов инициализации словарных представлений, а не для развёртывания. В README отмечен прирост на проверках свойств объектов у моделей с визуальной инициализацией; грамматические бенчмарки при этом оставались примерно без изменений.

Модель принимает текст и предсказывает пропущенные токены. Она обучена на англоязычных данных. Лицензия — Creative Commons Attribution 4.0 (CC-BY-4.0).

Сценарии применения

  • предсказание замаскированных слов в английском тексте
  • сравнение способов инициализации словарных представлений
  • исследование усвоения свойств объектов малыми языковыми моделями

Ограничения

Модель обучена на нестандартном корпусе bb24.train, поэтому результаты напрямую несопоставимы с моделями, обученными на официальном наборе 2026 strict-small. Это исследовательский артефакт с одной архитектурой masked LM, 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-50k

Random-initialization baseline for the 50k vocabulary. This is the control that vision-seeded models with the same vocabulary are compared against.

Seeded counterparts: augustinian-babylm/deberta-base-50k-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-50k")
model = AutoModelForMaskedLM.from_pretrained("augustinian-babylm/deberta-base-50k")

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, 50k merges (augustinian-babylm/babylm-bpe-50k)

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-50k", revision="step256")

Call huggingface_hub.list_repo_refs("augustinian-babylm/deberta-base-50k") 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
321005f

0 моделей