/ Модель

Характеристики

Контекст
1 024 токена
Параметры
171 млн
Лицензия
CC BY 4.0
Архитектура
deberta-v2 · dense
Библиотека
transformers
Опубликована
16 июл 2026

deberta-base-75k-s3

Заполнение пропусковТекст → текст3 профессии

Контрольная модель DeBERTa-v3-base для заполнения пропусков и исследований обучения небольших языковых моделей на английском тексте.

80скачиваний за 30 дней0лайковвеса обновлены20 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 базовая модель DeBERTa-v3-base от Augustinian BabyLM, обученная с нуля со случайной инициализацией как контроль для сравнения с моделями, где начальные эмбеддинги были получены из визуальных представлений. Модель содержит 170,8 млн параметров, имеет 12 слоёв, 12 голов внимания и скрытый размер 768; максимальный контекст составляет 1024 токена. Она обучалась 10 эпох на корпусе bb24.train объёмом около 9,9 млн слов и использует словарь из 75 тысяч единиц.

Модель предназначена для заполнения пропусков в английском тексте и исследований влияния визуально инициализированных эмбеддингов на небольшие языковые модели, в частности для сравнения с вариантами Augustinian BabyLM с тем же словарём. Это третий из трёх запусков с разными случайными seed. Результаты описывают преимущество визуальной инициализации на отдельных тестах свойств объектов, при этом показатели грамматических тестов оставались близкими.

Это контрольный исследовательский артефакт, не предназначенный для развёртывания. Нестандартный обучающий корпус не позволяет напрямую сравнивать результаты с моделями, обученными на официальном наборе BabyLM 2026 strict-small. Лицензия модели — CC BY 4.0.

Сценарии применения

  • Заполнение пропусков в английских предложениях
  • Сравнение случайной и визуальной инициализации эмбеддингов
  • Исследование обучения небольших языковых моделей на ограниченных данных

Ограничения

Модель обучена на нестандартном корпусе, поэтому её результаты напрямую несопоставимы с результатами 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-75k-s3

Random-initialization baseline for the 75k vocabulary. This is the control that vision-seeded models with the same vocabulary are compared against.

Seed 3 of 3. This configuration was retrained with three random seeds: augustinian-babylm/deberta-base-75k, augustinian-babylm/deberta-base-75k-s2, augustinian-babylm/deberta-base-75k-s3.

Seeded counterparts: augustinian-babylm/deberta-base-75k-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-75k")
model = AutoModelForMaskedLM.from_pretrained("augustinian-babylm/deberta-base-75k-s3")

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-s3", revision="step256")

Call huggingface_hub.list_repo_refs("augustinian-babylm/deberta-base-75k-s3") 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. On a corpus-tailored Visual-Property Swap probe the seeded model leads the baseline in all three training seeds; a pair-level re-analysis shows that the advantage cannot be attributed to the individual seeded words. Details: https://github.com/bylinina/augustinian_babylm

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
623042a

0 моделей