/ Модель

Характеристики

Контекст
8 192 токена
Параметры
21,9 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
ModernBERT-base
Библиотека
transformers
Опубликована
24 июн 2026

modernbert-tiny

Заполнение пропусковТекст → текст3 профессии

Компактный англоязычный энкодер ModernBERT для заполнения пропусков и дообучения под задачи понимания текста с ограничениями на размер и задержку.

105скачиваний за 30 дней0лайковвеса обновлены24 июн 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

codechrl/modernbert-tiny — компактный англоязычный энкодер ModernBERT, разработанный автором репозитория на основе answerdotai/ModernBERT-base с помощью дистилляции в стиле TinyBERT. Модель содержит 21,9 млн параметров, имеет 4 слоя Transformer, размер скрытого состояния 312 и 12 голов внимания; контекст — до 8192 токенов. Она предназначена для заполнения пропусков в тексте и как базовый энкодер для последующего дообучения под прикладные задачи.

При дистилляции на корпусе FineWeb-Edu ученик имитировал представления токенов, скрытые состояния слоёв, карты внимания и выходные логиты учителя. По данным карточки, после одинакового дообучения на GLUE модель сохраняет 80,4% качества учителя при размере 15,3% от него. Это делает её подходящей для сценариев с ограничениями на размер и задержку, однако она не является готовым классификатором, а автор характеризует обучение как демонстрационное и рекомендует для производственного применения повторить дистилляцию с большим числом шагов и корпусом. Лицензия — Apache-2.0.

Сценарии применения

  • заполнение пропусков в английском тексте
  • дообучение классификатора английских предложений
  • адаптация энкодера для оценки семантического сходства текстов
  • создание компактной модели понимания текста для устройств с ограниченными ресурсами

Ограничения

Это базовая модель для дообучения, а не готовый классификатор; по карточке, она сохраняет 80,4% качества учителя на GLUE. Автор называет обучение демонстрационным и рекомендует для производственного применения выполнить дистилляцию с большим числом шагов и корпусом.

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

modernbert-tiny

Smallest ModernBERT (TinyBERT-style distillation) — for edge / low-latency.

A compressed, fine-tunable base encoder derived from answerdotai/ModernBERT-base — the fork/derivative: 15.3% of the teacher's size while keeping 80.4% of its GLUE quality. Use it as a general base and fine-tune on your downstream task, exactly like ModernBERT-base.

The family (one exercise)

All three were produced in one ModernBERT compression exercise — same teacher (answerdotai/ModernBERT-base), same FineWeb-Edu corpus, same GLUE eval — comparing different compression methods. Pick the tier that fits your size/quality budget:

  • codechrl/modernbert-tiny ← you are here — 22.1M params, 15.3% of base size, 80.4% GLUE retained · TinyBERT-style attention+hidden distillation
  • codechrl/modernbert-mini — 69.4M params, 46.7% of base size, 92.9% GLUE retained · DistilBERT-style depth distillation
  • codechrl/modernbert-lite — 149.7M params, 50.3% of base size, 99.3% GLUE retained · fp16 half-precision quantization

How it was made (general process)

  1. Teacher — answerdotai/ModernBERT-base (149.7M params), the distillation target.
  2. General-corpus distillation — the student learns from the teacher on FineWeb-Edu (general English web text) using the tinybert recipe. No task-/domain-specific data, so it stays a general base.
  3. Evaluation — quality measured on GLUE (SST-2, MRPC, STS-B, RTE; each model fine-tuned identically), reported purely as % retained vs the teacher.

Scores (% against the ModernBERT-base teacher)

  • Size: 92.0 MB → 15.3% of baseline (params 22.1M)
  • GLUE quality retained: 80.4%
  • eff_score: 82.6 / 100 = 0.5 · GLUE_retention% + 0.5 · size_reduction% (higher is better)

Full tier comparison

modelparams (M)size (MB)size vs baseGLUE vs baseeff_score
ModernBERT-base (teacher)149.7602.2100%100%50.0
modernbert-tiny ⭐22.192.015.3%80.4%82.6
modernbert-mini69.4281.246.7%92.9%73.1
modernbert-lite149.7302.950.3%99.3%74.5

Methods & architecture (each tier)

Every tier derives from the same teacher but uses a different compression method:

modernbert-tiny ⭐

4 transformer layers, hidden size 312, 12 heads (~22M params)

TinyBERT-style distillation. A small student mimics multiple internal signals of the teacher: token embeddings, per-layer hidden states (compared L2-normalized for stability), attention probability maps, and output-logit KL. This deep multi-signal supervision lets a much narrower/shallower network recover usable quality.

modernbert-mini

6 transformer layers, hidden size 768 (~69M params)

DistilBERT-style distillation. The 6-layer student is initialized from evenly-spaced teacher layers, then trained with masked-LM loss + soft-logit KL divergence + last-hidden cosine. Depth-only reduction (full width kept) is the best quality-per-byte recipe here.

modernbert-lite

full ModernBERT (22 layers, hidden 768, ~150M params), weights stored in float16

Half-precision (fp16) quantization. No retraining — weights are cast to 16-bit, roughly halving storage and memory with near-zero quality loss. Re-load in fp32 (or bf16) to fine-tune.

Usage

from transformers import AutoModelForMaskedLM, AutoTokenizer
tok = AutoTokenizer.from_pretrained("codechrl/modernbert-tiny")
model = AutoModelForMaskedLM.from_pretrained("codechrl/modernbert-tiny")

# fine-tune for your task:
# from transformers import AutoModelForSequenceClassification
# clf = AutoModelForSequenceClassification.from_pretrained("codechrl/modernbert-tiny", num_labels=N)

Intended use & limitations

  • A base to fine-tune, not a finished classifier.
  • Distilled on a small compute budget (demo-grade); for production, redistill with more steps/corpus.
  • tiny trades the most quality for the smallest size; mini/lite retain more.

Citation

Built on ModernBERT (Warner et al., 2024). Distillation recipes: DistilBERT (Sanh 2019), TinyBERT (Jiao 2020).

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
75da445

0 моделей