/ Модель

Характеристики

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

deberta-base-75k-sam-s3

Заполнение пропусковТекст → текст3 профессии

Экспериментальная англоязычная DeBERTa-v3-base модель предсказывает пропущенные слова и исследует эффект инициализации эмбеддингов с помощью признаков SAM ViT-B.

86скачиваний 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

DeBERTa-v3-base — маскированная языковая модель на 170,8 млн параметров, разработанная авторами набора экспериментов Augustinian BabyLM. Перед обучением эмбеддинги слов, обозначающих области на визуально заземлённых данных, инициализировали усреднёнными признаками SAM ViT-B для соответствующих областей; остальные эмбеддинги получили случайную инициализацию. Это третий вариант из трёх запусков с разными случайными seed.

Модель обучали 10 эпох на корпусе bb24.train объёмом около 9,9 млн слов, сочетающем перефразированные LLM данные с частями официального корпуса BabyLM. Она предназначена для предсказания пропущенных токенов и исследовательского изучения того, как визуальная инициализация влияет на усвоение свойств объектов. Контекст — до 1024 токенов; основной язык — английский. В экспериментах отмечен прирост на тестах свойств объектов, тогда как результаты грамматических тестов оставались примерно на прежнем уровне. Лицензия — CC BY 4.0.

Сценарии применения

  • предсказание пропущенных слов в английском тексте
  • исследование усвоения свойств объектов языковыми моделями
  • сравнение визуально инициализированной модели с базовой BabyLM-моделью

Ограничения

Модель обучена на нестандартном корпусе bb24.train, поэтому её результаты напрямую несопоставимы с моделями 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-75k-sam-s3

Vision-seeded model. Before training, input-embedding rows for words that label regions in visual grounding data were set to the average of SAM ViT-B (Kirillov et al. 2023) 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.

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

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-sam-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-sam-s3", revision="step256")

Call huggingface_hub.list_repo_refs("augustinian-babylm/deberta-base-75k-sam-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
01f5cee

0 моделей