/ Модель

Характеристики

Контекст
1 024 токена
Параметры
40,1 млн
Лицензия
Своя лицензия
Архитектура
deberta-v2 · dense
Библиотека
transformers
Опубликована
22 июн 2026

wwm_curriculum_simplification_40k

Заполнение пропусковТекст → текст3 профессии

Англоязычная маскированная модель на основе DeBERTa-v2 для исследований языкового понимания и предварительного обучения на малых объёмах данных.

66скачиваний за 30 дней0лайковвеса обновлены14 июл 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

WWM Curriculum Simplification 40k — англоязычная маскированная языковая модель Shaoxiang Wu для исследований эффективного предварительного обучения на ограниченном объёме текста. Это энкодер в стиле DeBERTa-v2 с 12 слоями, 12 головами внимания, скрытым размером 384 и словарём из 40 000 токенов. Модель обучена на 10 млн слов из пар исходных предложений FineWeb и их упрощённых перефразировок, с целью изучения эффекта парных примеров и обучения с маскированием целых слов. Контекст — до 1 024 токенов.

Модель предсказывает замаскированные токены и подходит для оценки языкового понимания, а также для дообучения на классификацию и задачи понимания пар предложений с соответствующей головой. В карточке приведены результаты оценки BabyLM 2026 strict-small и отмечены сильные результаты на EWoK, Entity Tracking и задачах в стиле GLUE. Небольшой размер и ограниченный объём предобучения сужают область применения; это исследовательская модель, а не универсальная система генерации текста.

Данные основаны на веб-текстах и автоматически созданных упрощениях, поэтому могут содержать шум, пропуски или смысловые сдвиги. Результаты некоторых скрытых заданий могут меняться в зависимости от случайного seed и настроек оценки. Лицензия указана как other.

Сценарии применения

  • оценка предсказания замаскированных слов
  • исследование обучения языковых моделей на малых корпусах
  • оценка языковых знаний в заданиях BabyLM
  • дообучение на классификацию текста
  • дообучение на понимание пар предложений

Ограничения

Модель обучена только на английском тексте и ограниченном бюджете в 10 млн слов, поэтому не предназначена для универсального производственного применения. Веб-данные и автоматически созданные упрощения могут содержать шум и смысловые сдвиги; некоторые результаты оценки нестабильны между запусками.

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

Model Card for WWM Curriculum Simplification 40k

A 34.7M-parameter DeBERTa-style masked language model trained on 10M words of FineWeb simplification pairs for the BabyLM 2026 strict-small track.

Table of Contents

Model Details

Model Description

This model is a BabyLM 2026 strict-small submission trained with meaning-preserving simplification pairs and a whole-word-masking curriculum.

The model is trained on original FineWeb sentences paired with simplified rewrites. During masked language model pretraining, these paired examples expose the model to two aligned ways of expressing similar content. The goal is to improve sample efficiency under the 10M-word BabyLM strict-small budget.

  • Developed by: Shaoxiang Wu
  • Model type: masked language model
  • Architecture: DeBERTa-v2 style encoder
  • Language(s): English
  • Model repo: go76dof/wwm_curriculum_simplification_40k
  • Training data: go76dof/Fineweb_simplification_pairs
  • License: other

Uses

This is a pretrained masked language model. It can be used for:

  • BabyLM-style zero-shot evaluation with masked-token scoring.
  • Fine-tuning on classification or sentence-pair understanding tasks by adding a task head.
  • Research on small-data language model pretraining.
  • Research on meaning-preserving rewrite pairing, simplification, and whole-word-masking curricula.

This model is not intended as a general-purpose production language model. It is small and trained on only 10M words.

Example loading code:

from transformers import AutoModelForMaskedLM, AutoTokenizer

model_name = "go76dof/wwm_curriculum_simplification_40k"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForMaskedLM.from_pretrained(model_name)

Training Details

Training Data

The model was trained on FineWeb sentence-level simplification pairs:

  • Dataset: go76dof/Fineweb_simplification_pairs
  • Training file: FineWeb_simplification_pairs.train
  • Size: 9,999,969 whitespace-counted words
  • Format: original FineWeb sentence followed by simplified rewrite

Each pair is stored as an original sentence followed by its simplified rewrite, with blank lines separating pairs.

Example:

Enlightenment thinkers proposed that human reason coupled with empirical study of the physical world would lead to progress---namely, the advancement of science and the improvement of the human condition.
Enlightenment thinkers believed that using reason and studying the world would lead to scientific progress and better living conditions.

The tokenizer is a 40k SentencePiece BPE tokenizer trained for this data condition:

  • tokenizer/FineWeb_simplification_pairs_40k.model
  • tokenizer/FineWeb_simplification_pairs_40k.vocab

Hyperparameters

HyperparameterValue
ArchitectureDeBERTa-v2 style encoder
Hidden size384
Intermediate size1280
Number of layers12
Number of attention heads12
Dropout0.1
Vocabulary size40,000
ObjectiveMasked language modeling
OptimizerLAMB
Learning rate schedulecosine
Max learning rate0.007
Training epochs10
Sequence length curriculum64 -> 256
Masking curriculumWWM7 -> Token3

Training Procedure

The model uses a whole-word-masking curriculum:

  • Epochs 1-7: whole-word masking, where all subword pieces belonging to a selected word are masked together.
  • Epochs 8-10: standard token-level masking.

The sequence length also follows a curriculum. Training starts with shorter sequences and later switches to longer sequences, while batch size is scaled inversely with sequence length.

Size and Checkpoints

The model has 34,677,952 parameters. The final checkpoint corresponds to the end of the 10-epoch training run on the 10M-word strict-small training budget.

Evaluation

This model was evaluated with the BabyLM 2026 strict-small evaluation pipeline. The reported submission scores are leaderboard scores for the strict-small track.

Testing Data and Metrics

The evaluation includes:

  • BLiMP and BLiMP Supplement: linguistic minimal pair accuracy.
  • EWoK: world-knowledge minimal pair accuracy.
  • Entity Tracking: accuracy on tracking entity states through text.
  • COMPS: compositional generalization.
  • GlobalPIQA: average of parallel and non-parallel GlobalPIQA splits.
  • Reading: average of eye-tracking and self-paced reading scores.
  • (Super)GLUE: mean fine-tuning score across the BabyLM GLUE-style tasks.

Results

MetricScore
Overall Average41.80
NLP Average52.97
Human-like Average2.71
BLiMP67.20
BLiMP Supplement56.01
EWoK56.07
Entity Tracking28.45
COMPS53.57
GlobalPIQA39.67
(Super)GLUE69.79
Reading5.42
AoA0.00

The strongest gains in our experiments were observed on EWoK, Entity Tracking, and GLUE-style fine-tuning. In our BabyLM 2026 strict-small submission, this 10M-word model exceeded the official 100M-word GPT-2 baseline on EWoK, Entity Tracking, GlobalPIQA, and (Super)GLUE.

Technical Specifications

Model Architecture and Objective

The model is a DeBERTa-v2 style encoder trained with the masked language modeling objective.

Important configuration values:

  • architectures: DebertaV2ForMaskedLM
  • model_type: deberta-v2
  • hidden_size: 384
  • intermediate_size: 1280
  • num_hidden_layers: 12
  • num_attention_heads: 12
  • vocab_size: 40000
  • relative_attention: true
  • pos_att_type: p2c, c2p

Software

The model is compatible with Hugging Face Transformers and PyTorch.

Limitations

This model is trained only on English text and only under a 10M-word pretraining budget. It is intended for research use rather than production deployment.

The training data is derived from web text and automatically generated simplifications. It may contain noise, omissions, or changes in nuance inherited from either the source text or the rewrite process.

The model card reports BabyLM evaluation results, but some hidden-task results, especially GlobalPIQA and AoA, can be unstable across seeds or evaluation settings.

Citation

If you use this model, please cite the corresponding BabyLM paper or repository once available.

Model Card Authors

Shaoxiang Wu

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
da3b5c1

0 моделей