/ Модель

Характеристики

Контекст
1 024 токена
Параметры
171 млн
Лицензия
CC BY 4.0
Архитектура
deberta-v2 · dense
Базовая модель
dinov3-vitb16
Библиотека
transformers
Опубликована
21 июн 2026

deberta-base-75k-dinov3

Заполнение пропусковТекст → текст3 профессии

DeBERTa-v3-base с визуально инициализированными эмбеддингами слов для предсказания пропущенных слов и исследований визуального grounding в малых языковых моделях.

54скачиваний 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 исследовательская модель DeBERTa-v3-base, разработанная командой Augustinian BabyLM. Перед обучением векторы эмбеддингов слов, обозначающих области в данных визуального grounding, инициализировали средними признаками DINOv3 для этих областей; остальные эмбеддинги получили случайную инициализацию. Затем модель обучали как masked language model на корпусе bb24.train объёмом около 9,9 млн слов в течение 10 эпох. Архитектура включает 12 слоёв, 12 голов внимания и размер скрытого представления 768; всего 170,8 млн параметров, контекст — до 1024 токенов.

Модель предназначена для предсказания замаскированных слов и исследования того, как визуально обусловленная инициализация влияет на усвоение языкомоделирующих и связанных с объектами свойств. В описанных экспериментах обнаружен прирост на тестах свойств объектов, тогда как грамматические бенчмарки остались примерно без изменений. Обучение использовало нестандартный корпус, содержащий данные, сгенерированные LLM, поэтому результаты напрямую несопоставимы с моделями, обученными на официальном наборе BabyLM 2026 strict-small. Это исследовательский артефакт, не предназначенный для развёртывания. Лицензия — Creative Commons Attribution 4.0 (CC-BY-4.0).

Сценарии применения

  • Предсказание замаскированных слов в английском тексте
  • Исследование влияния визуальных признаков на языковые эмбеддинги
  • Оценка усвоения свойств объектов малой языковой моделью

Ограничения

Модель обучена на нестандартном корпусе, поэтому её результаты напрямую несопоставимы с моделями, обученными на официальных данных BabyLM 2026 strict-small. Это единственная исследованная архитектура в данном эксперименте и артефакт для исследований, а не 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-75k-dinov3

Vision-seeded model. Before training, input-embedding rows for words that label regions in visual grounding data were set to the average of DINOv3 (Simeoni et al. 2025) features over those regions; all other rows keep their random initialization. Seeded vectors are mean-centered, L2-normalized, and scaled to the model's initializer standard deviation.

Baseline: augustinian-babylm/deberta-base-75k.

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-75k")
model = AutoModelForMaskedLM.from_pretrained("augustinian-babylm/deberta-base-75k-dinov3")

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, 75k merges (augustinian-babylm/babylm-bpe-75k)

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-75k-dinov3", revision="step256")

Call huggingface_hub.list_repo_refs("augustinian-babylm/deberta-base-75k-dinov3") 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
9155354

0 моделей