/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Библиотека
transformers
Опубликована
29 мар 2025

TabiBERT

Заполнение пропусковТекст → текст11 профессий

TabiBERT — турецко-английская энкодерная модель для заполнения пропусков и дообучения под задачи понимания текста, поиска и представления кода.

2 654скачиваний за 30 дней30лайковвеса обновлены5 янв 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

TabiBERT — энкодерная трансформерная языковая модель в стиле BERT, разработанная TABILAB при поддержке VNGRS. Она основана на архитектуре ModernBERT-base и содержит 148,8 млн параметров. Модель обучена преимущественно на турецких текстах, а также на английском языке, коде и математических данных; поддерживает контекст до 8192 токенов. В архитектуре используются RoPE, чередование локального и глобального внимания, GeGLU и Flash Attention.

Модель предназначена для заполнения пропусков и может служить основой для дообучения под задачи классификации, извлечения ответов на вопросы, NLI, поиска и представления кода, а также семантического поиска по длинным документам. В описанной авторами оценке на турецком бенчмарке TabiBench она показала высокие результаты, включая задачи поиска и QA. Репозиторий содержит веса Safetensors для использования через Transformers.

Лицензия — Apache-2.0. По README, качество модели на английском может уступать качеству на турецком, а на других языках — быть ниже; возможны унаследованные от обучающих данных смещения. Обработка последовательностей близких к 8192 токенам может быть медленнее, и авторы рекомендуют проверять результаты перед применением в критических сценариях.

Сценарии применения

  • заполнение пропусков в турецких текстах
  • дообучение классификатора турецких документов
  • извлечение ответов на вопросы из турецкого текста
  • поиск релевантных турецких документов
  • поиск и представление фрагментов кода
  • семантический поиск по длинным документам

Ограничения

По README, модель обучена главным образом на турецком, поэтому её результаты на английском могут быть слабее, а на других языках — ниже. Обработка длинных последовательностей может быть медленнее; возможны смещения обучающих данных, поэтому результаты следует проверять перед критическим применением.

Для каких профессий подходит11

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TabiBERT

arXiv GitHub License Benchmark

📄 Paper: TabiBERT:A Large-Scale ModernBERT Foundation Model and A Unified Benchmark for Turkish

💻 Code: https://github.com/boun-tabi-LMG/TabiBERT

Table of Contents

  1. Model Summary
  2. Usage
  3. Evaluation
  4. Limitations
  5. Training
  6. License
  7. Citation

Model Summary

TabiBERT is a modernized encoder-only Transformer model (BERT-style) based on the ModernBERT-base architecture. TabiBERT is pre-trained on 1 trillion tokens of a diverse dataset including Turkish, English, Code, Math with a native context length of up to 8,192 tokens.

TabiBERT inherits ModernBERT’s architectural improvements, such as:

  • Rotary Positional Embeddings (RoPE) for long-context support.
  • Local-Global Alternating Attention for efficiency on long inputs.
  • Unpadding and Flash Attention for efficient inference.

This makes TabiBERT particularly suitable for:

  • Turkish NLP tasks (classification, QA, retrieval, NLI, etc.).
  • Multilingual text understanding (Turkish-English).
  • Code retrieval and representation learning.
  • Mathematical and symbolic reasoning.
  • Long-context understanding such as document classification, retrieval, and semantic search.

TabiBERT is built by TABILAB with the support of VNGRS.


Usage

You can use TabiBERT directly with the transformers library (v4.48.0+):

pip install -U transformers>=4.48.0

Since TabiBERT is a Masked Language Model (MLM), you can use the fill-mask pipeline or load it via AutoModelForMaskedLM.

⚠️ If your GPU supports it, we recommend using ModernBERT with Flash Attention 2 to reach the highest efficiency. To do so, install Flash Attention as follows, then use the model as normal:

pip install flash-attn

Example usage with AutoModelForMaskedLM:

from transformers import AutoTokenizer, AutoModelForMaskedLM
import torch

model_id = "boun-tabilab/TabiBERT"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForMaskedLM.from_pretrained(model_id)

device = "cuda" if torch.cuda.is_available() else "cpu"
model = model.to(device)

text = "[MASK] Sistemi'ndeki en büyük gezegen Jüpiter'dir."
inputs = tokenizer(text, return_tensors="pt").to(device)
outputs = model(**inputs)

masked_index = inputs["input_ids"][0].tolist().index(tokenizer.mask_token_id)
predicted_id = outputs.logits[0, masked_index].argmax(axis=-1)
print("Predicted token:", tokenizer.decode(predicted_id))
# Predicted token:  Güneş

Example with pipeline:

from transformers import pipeline

pipe = pipeline("fill-mask", model="boun-tabilab/TabiBERT")

print(pipe("[MASK], Türkiye Cumhuriyeti'nin başkentidir.")[0]['sequence'])
# Ankara, Türkiye Cumhuriyeti'nin başkentidir.

Pre-training Data

TabiBERT has been pre-trained on 86 billion tokens of diverse data, primarily:

  • A large-scale Turkish corpus covering literature, news, social media, Wikipedia, and academic texts.
  • English text, ** code with English commentary**, and math problems in English — together making up about 13% non-Turkish tokens.

Training

  • Architecture: Encoder-only, Pre-Norm Transformer with GeGLU activations.
  • Sequence Length: Pre-trained up to 1,024 tokens, then extended to 8,192 tokens.
  • Data: 86 billion tokens from a union corpus (Turkish; plus English, code with English commentary, and math in English; ~13% non-Turkish).
  • Optimizer: StableAdamW with trapezoidal LR scheduling and 1-sqrt decay.
  • Hardware: Trained on 8x H100 GPUs.

Evaluation

TabiBERT was comprehensively evaluated on TabiBench, a benchmark consisting of 28 datasets spanning 8 task categories. The model achieves state-of-the-art performance among Turkish models, with a total average score of 77.58, surpassing the previous best Turkish model by 1.62 points.

Key Highlights

  • State-of-the-art performance: TabiBERT outperforms all monolingual Turkish baselines across the evaluation suite
  • Largest improvement in QA: Achieves an F1 score of 69.71, outperforming the next best Turkish model by 9.55 points (16% relative improvement)
  • Leading performance in 5 out of 8 task categories: Including code retrieval and information retrieval
  • Strong long-context capabilities: Native support for up to 8,192 tokens, providing advantages on longer sequences

Benchmark: TabiBench

TabiBench is a comprehensive benchmark specifically designed for Turkish NLP, consisting of 28 datasets across 8 task types. The benchmark includes both existing Turkish NLP datasets and newly created/translated datasets for code retrieval and academic domain tasks.

Benchmark Collection: TabiBench on HuggingFace

Overall Evaluation Results

Comparison of downstream task performance across all evaluated models.

For each column, the highest score among the models is shown in bold. The evaluation metric used for each task type is also displayed in the column headers.

Model# of params(M)Text Clf(F1)Token Clf(F1)STS(Pearson)NLI(F1)QA(F1)Academic(F1)Retrieval(NDCG@10)Code Retrieval(NDCG@10)Total Avg(tabibench)
TurkishBERTweet16379.7192.0275.8679.1038.1363.1268.4043.4967.48
YTU-BERT11184.2593.6084.6884.1631.5071.7874.2953.8072.26
BERTurk11083.4293.6785.3384.3360.1671.4074.8454.5475.96
TabiBERT14983.4493.4284.7484.5169.7172.4475.4456.9577.58

Evaluation Methodology

Systematic hyperparameter tuning was performed for all model-task pairs with the following search space:

ParameterValues
Learning Rate5e-6, 1e-5, 2e-5, 3e-5
Weight Decay1e-5, 1e-6
Batch Size16, 32
EpochsUp to 10, with early stopping

For each task category, a single score is reported by computing a weighted average across all datasets, where each dataset's weight is proportional to its test set size. This ensures that larger, more representative datasets have corresponding influence on overall results (test set sizes range from 150 to 35,000 examples).

Comparison with Baselines

TabiBERT was compared against three established Turkish BERT models:

  • BERTurk: Widely used Turkish monolingual encoder, pre-trained on Web and special corpora
  • YTU-BERT: Uncased Turkish BERT, pre-trained on large Turkish corpus (Web, Wikipedia, books)
  • TurkishBERTweet: Uncased Turkish BERT, pre-trained at large scale for social media

Result: TabiBERT outperforms all monolingual Turkish models with a total average score of 77.58, surpassing BERTurk (previous best) by 1.62 points.

Reproducibility

All evaluation datasets are publicly available on HuggingFace, under the TabiBench collection to facilitate future research and comparisons.


Limitations

  • TabiBERT was trained mainly on Turkish, with additional English, code, and math. Its performance on English may be limited relative to Turkish, and it may underperform on other languages.
  • As with any large-scale model, it may inherit biases from training data.
  • While capable of handling up to 8k tokens, inference on very long sequences may be slower.
  • Still under evaluation — recommended to validate results before deployment in critical applications.

License

TabiBERT model weights and training codebase are released under the Apache 2.0 license.

Citation

If you use TabiBERT in your project, please cite:

@misc{Türker2025Tabibert,
      title={TabiBERT: A Large-Scale ModernBERT Foundation Model and Unified Benchmarking Framework for Turkish}, 
      author={Melikşah Türker and Asude Ebrar Kızıloğlu and Onur Güngör and Susan Üsküdarlı},
      year={2025},
      eprint={2512.23065},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2512.23065}, 
}

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
ModernBertForMaskedLM
Ревизия весов
36d24bf

0 моделей