/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Библиотека
transformers
Опубликована
29 июн 2026

hindi-modernbert

Заполнение пропусковТекст → текст5 профессий

Базовая ModernBERT-модель, обученная на хинди, для предсказания замаскированных токенов и дообучения на задачах понимания текста.

54скачиваний за 30 дней1лайквеса обновлены5 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

hindi-modernBERT — базовая предобученная модель с маскированным языковым моделированием, разработанная для текста на хинди. Это 149-миллионная плотная модель архитектуры ModernBERT, обученная с нуля примерно на 28 млрд токенов хинди; она использует BPE-токенизатор с 50 368 элементами и поддерживает контекст до 8192 токенов. Модель предназначена для предсказания замаскированных фрагментов и как основа для дообучения на задачах понимания текста.

Чекпойнт показывает результаты на задачах распознавания именованных сущностей и классификации намерений на хинди. После отдельного дообучения с DPR его можно использовать для плотного поиска по коротким и длинным документам; сам базовый чекпойнт не является готовым ретривером. Для лучших результатов требуется нормализация текста письма деванагари, которую токенизатор автоматически не выполняет. Предобучение рассчитано только на хинди. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • восстановление замаскированных слов в тексте на хинди
  • дообучение для распознавания именованных сущностей на хинди
  • классификация намерений в запросах на хинди
  • создание DPR-ретривера для поиска по документам на хинди
  • поиск по длинным документам на хинди после дообучения

Ограничения

Предобучение рассчитано только на хинди; для наилучших результатов нужна нормализация деванагари, которая не выполняется автоматически. Для плотного поиска требуется отдельное дообучение с DPR; приведённые оценки получены на одном случайном зерне.

Для каких профессий подходит5

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

hindi-modernBERT

Model Size Language License GitHub

TL;DR: This is a pretrained base MLM checkpoint: a Hindi extension of the ModernBERT architecture, trained from scratch on Hindi text. The base model is competitive with other models across tasks, and it outperforms them on retrieval after DPR fine-tuning. Checkpoint ba1157 · 8192 context · Hindi BPE vocab 50,368.

This release uses the ModernBERT architecture and training recipe, adapted for Hindi with a new tokenizer and ~28B tokens of Hindi pretraining.

Model summary

TypeBase MLM checkpoint (pretrained, not task fine-tuned)
ArchitectureModernBERT (ModernBertForMaskedLM)
InitializationMegatron init (full_megatron); pretrained from scratch on Hindi
Parameters~188M
Layers22
Hidden size768
Attention heads12
Vocab size50,368
Max sequence length8192
LanguagesHindi (hi)
Pretraining tokens~23.6B (Sangraha) + ~4.85B (IndicCorp V2)
Hardware1× NVIDIA RTX 4090 (24 GB)
Training time5 days
Transformers>=5.12.0

Eval summary

hindi-modernBERT is competitive on supervised Hindi understanding tasks and is the strongest model in this comparison on retrieval after DPR fine-tuning.

AreaBenchmarkScore
NERNaamapadam Hindi F10.8001
IntentMASSIVE Hindi Macro-F10.4731
RetrievalmMARCO Hindi nDCG@100.2825
RetrievalMLDR hi nDCG@100.2635

Checkpoint folders

The repository root contains the main ba1157 release. Earlier checkpoints are also available in subfolders:

Hub pathWhat it contains
.Main release, ba1157, 8192 context
checkpoints/phase1Phase-1 Sangraha checkpoint, 1024 context
checkpoints/phase2_ba135Phase-2 lowest MLM-loss checkpoint, 8192 context

Usage

Main release:

import torch
from transformers import AutoModelForMaskedLM, AutoTokenizer

model_id = "kkkamur07/hindi-modernbert"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForMaskedLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

text = "भारत [MASK] विशाल देश है।"
inputs = tokenizer(text, return_tensors="pt").to(model.device)

with torch.no_grad():
    logits = model(**inputs).logits

mask_idx = (inputs.input_ids == tokenizer.mask_token_id)[0].nonzero(as_tuple=True)[0]
print(tokenizer.decode([logits[0, mask_idx].argmax(dim=-1).item()]))

Checkpoint subfolder:

from transformers import AutoModelForMaskedLM, AutoTokenizer

repo_id = "kkkamur07/hindi-modernbert"
subfolder = "checkpoints/phase1"

tokenizer = AutoTokenizer.from_pretrained(repo_id, subfolder=subfolder)
model = AutoModelForMaskedLM.from_pretrained(repo_id, subfolder=subfolder)

Apply Devanagari script normalisation + NFKC before tokenization for best results. See the training repo for preprocess_for_tokenizer().

For dense retrieval, fine-tune this base checkpoint with the DPR recipe on Hindi mMARCO triples. The training entrypoint is scripts/run_retrieval_finetune.py:

make retrieval-finetune ARGS="retrieval_ft.backbone=kkkamur07/hindi-modernbert retrieval_ft.max_seq_length=8192"

Evaluation

Benchmark numbers below fine-tune this base checkpoint on Naamapadam Hindi NER and MASSIVE Hindi intent. Retrieval numbers use a DPR fine-tuned checkpoint trained on Hindi mMARCO triples and evaluated on mmarco_hindi + MLDR hi.

Phase 1 → phase 2

StagePretrainingMax seqNER F1MASSIVE Macro-F1
Phase 1Sangraha Hindi10240.79630.3451
hindi-modernBERT+ IndicCorp V2, 8192 context81920.80010.4731
Δ+0.0038+0.1279

Baseline comparison

ModelMax seqNER F1MASSIVE Macro-F1
mmBERT-small81920.83470.5462
xlm-roberta-base5120.82140.0743
muril-base-cased5120.81480.0382
IndicBERTv2-MLM-only1280.80530.0821
hindi-modernBERT81920.80010.4731

Retrieval

Retrieval uses a DPR fine-tuned checkpoint built from this base checkpoint.

After DPR fine-tuning on 1.25M mMARCO Hindi triplets, hindi-modernBERT outperforms the other Hindi baselines on both full mMARCO Hindi and long-document MLDR hi.

ModelMax seqmMARCO nDCG@10MLDR hi nDCG@10
hindi-modernBERT81920.28250.2635
mmBERT-small81920.27140.2337
IndicBERTv2-MLM-only5120.28210.1707

The 8192-token backbone is what separates hindi-modernBERT on long-document MLDR: IndicBERTv2 is close on short mMARCO but falls behind on MLDR hi because it cannot encode full long documents. These are DPR numbers, one vector per document.

Full retrieval benchmarks (DPR, 8192 context):

BenchmarkWhat it measuresnDCG@10Recall@10MRR@10
Selection (1k mMARCO Hindi)Small held-out Hindi mMARCO validation split used to select the DPR learning rate/checkpoint. Not the final headline benchmark.0.81910.89870.7980
mmarco_hindi (full)Full Hindi MS MARCO-style passage retrieval benchmark. Tests standard dense retrieval quality on Hindi queries and passages.0.28250.43980.2368
MLDR hi (8192 ctx)Hindi long-document retrieval benchmark. Tests whether the 8192-token context helps retrieve long documents.0.26350.39000.2252

Metric glossary: nDCG@10 measures ranking quality in the top 10, Recall@10 measures whether relevant passages appear in the top 10, and MRR@10 measures how high the first relevant result appears.

Full report: eval_summary_report.md.

Data

Pretraining

CorpusHub sourceTokensPhase
Sangraha Hindi (verified + unverified + synthetic)ai4bharat/sangraha~23.6BPhase 1
IndicCorp V2 Hindi (hi-1 + hi-3)ai4bharat/IndicCorpV2~4.85BPhase 2

BPE tokenizer trained on Sangraha Hindi. MLM eval holdout: one withheld Sangraha shard (174k rows).

Downstream evaluation (Hindi fine-tune)

TaskDataset
NERNaamapadam Hindi (hi)
IntentMASSIVE Hindi (hi-IN)

Transfer evaluation (source train → Hindi eval)

TaskTrain (source)Eval (Hindi target)
Sentimentamazon_reviews_multi (en)IndicSentiment (translation-hi)
QAXTREME SQuAD (SQuAD)IndicQA (indicqa.hi)
COPASocial IQaIndicCOPA (translation-hi)

Retrieval fine-tuning + evaluation

RoleDatasetNotes
DPR trainingunicamp-dl/mmarco (hindi)1.25M query–positive–negative triples
DPR selectionmmarco_hindi1k-query held-out subset
Retrieval evalmmarco_hindi (full)Hindi MS MARCO-style passage retrieval
Retrieval evalMLDR (language=hi)Long-document retrieval benchmark

Limitations

  • Hindi-only pretraining: other Indic languages are not in scope for this release.
  • Tokenizer preprocessing: Devanagari script normalization is required for best results and is not applied automatically by AutoTokenizer.
  • Not a retriever by itself: dense retrieval requires DPR fine-tuning on top of this base checkpoint.
  • Single-seed evals: downstream and retrieval benchmarks use one fine-tuning seed; multi-seed averaging may shift scores slightly.
  • Phase-1 holdout: MLM eval holdout was Sangraha-only; future runs may mix holdout sources for a more representative training signal.

Acknowledgments

Citation

@misc{hindi-modernbert2026,
  title  = {hindi-modernBERT: A Hindi ModernBERT Encoder with 8192 Context},
  author = {Krrish Agarwalla},
  year   = {2026},
  note   = {Checkpoint ba1157. Base MLM; trained from scratch on Hindi.}
}
@article{modernbert2024,
  title  = {Smarter, Better, Faster, Longer: A Modern Bidirectional Encoder for Fast, Memory Efficient, and Long Context Finetuning and Inference},
  author = {Warner, Benjamin and Chizhov, Anton and Ermolaev, Alexander and others},
  journal = {arXiv preprint arXiv:2412.13663},
  year   = {2024}
}

License

Apache 2.0.

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
6f3c9ca

0 моделей