/ Модель

Характеристики

Контекст
1 024 токена
Параметры
36,2 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
ModernBERT-base
Библиотека
transformers
Опубликована
9 дек 2025

ogbert-v1-mlm

Заполнение пропусковТекст → текст3 профессии

OGBert v1 MLM — англоязычная ModernBERT-модель для предсказания пропусков и работы с определениями и терминологией.

104скачиваний за 30 дней0лайковвеса обновлены9 дек 2025

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

OGBert v1 MLM — англоязычная модель masked language modeling, разработанная mjbommar на основе ModernBERT и обученная на синтетическом энциклопедическом словаре OpenGloss v1.1. Она предназначена прежде всего для предсказания пропущенных слов в определениях и текстах со специальной терминологией, а также для извлечения признаков и дальнейшего дообучения под профильные задачи.

Модель имеет encoder-only архитектуру ModernBERT с 10 слоями, скрытым размером 384 и 36,2 млн параметров. Контекст составляет до 1024 токенов. Обучающий корпус включает около 160 млн слов и определения из 16 областей и 11 уровней чтения; модель рассчитана на английский язык. В README отмечены хорошие результаты на географической и математической терминологии, а также на задачах поиска и кластеризации.

Модель доступна по лицензии Apache-2.0. Её оценки сходства слов относительно низкие, поэтому для тонкого сравнения семантической близости может потребоваться контрастивное дообучение. Качество также различается между областями: например, на искусстве и истории оно ниже, чем на географии и математике.

Сценарии применения

  • предсказание пропущенных слов в словарных определениях
  • восстановление терминов в энциклопедических текстах
  • извлечение признаков из англоязычных определений
  • дообучение модели для профильных задач понимания терминологии
  • поиск и кластеризация текстов с определениями

Ограничения

Модель показывает сравнительно низкие результаты на задачах тонкого сходства слов, а качество зависит от предметной области и ниже для искусства и истории. Она обучена только на английском языке.

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

OGBert v1 MLM

OGBert (OpenGloss BERT) is a ModernBERT-based masked language model pretrained on the OpenGloss synthetic encyclopedic dictionary. Despite being trained on a relatively small corpus of ~160M words (435K dictionary entries), the model achieves strong performance on definition understanding and domain-specific terminology.

The training corpus contains definitions across 16 domains (geography, mathematics, science, law, technology, philosophy, etc.) and 11 reading levels (kindergarten through PhD).

Model Description

  • Model type: ModernBERT for Masked Language Modeling
  • Language: English
  • License: Apache 2.0
  • Parameters: ~38M
  • Context length: 1024 tokens
  • Training data: mjbommar/ogbert-v1-mlm
  • Built with: Transformers v5.0

Architecture

ParameterValue
Hidden size384
Intermediate size1536
Number of layers10
Attention heads6
Max position embeddings1024
Vocabulary size32,769
Attention patternFull + Sliding (128 local window)

The model uses ModernBERT's hybrid attention pattern with full attention every 3 layers and sliding window attention in between, enabling efficient processing of long sequences.

Intended Uses

Primary Use Cases

  • Fill-mask tasks: Predicting masked tokens in dictionary/definition text
  • Feature extraction: Generating embeddings for downstream tasks
  • Fine-tuning base: Starting point for domain-specific models

Domain Strengths

The model shows strong performance on:

  • Geography (0.44 loss) - Place names and geographic terminology
  • Mathematics (0.56 loss) - Mathematical and symbolic language
  • Society (0.60 loss) - Social science terminology
  • Science (0.63 loss) - Natural science terminology

How to Use

Fill-Mask Pipeline

from transformers import pipeline

fill_mask = pipeline("fill-mask", model="mjbommar/ogbert-v1-mlm")
result = fill_mask("A molecule is the smallest <|mask|> of a chemical compound.")
print(result)

Example outputs:

InputTop Predictions
"A triangle is a <|mask|> with three sides."triangle (0.74), polygon (0.11), plane (0.04)
"A molecule is the smallest <|mask|> of a chemical compound."unit (0.65), part (0.11), component (0.05)
"Democracy is a system of <|mask|> in which citizens exercise power."government (0.39), governance (0.14), democracy (0.07)
"Photosynthesis is the process by which plants convert <|mask|> into energy."energy (0.30), nutrients (0.19), light (0.10)

Feature Extraction

from transformers import AutoTokenizer, AutoModel
import torch

tokenizer = AutoTokenizer.from_pretrained("mjbommar/ogbert-v1-mlm")
model = AutoModel.from_pretrained("mjbommar/ogbert-v1-mlm")

text = "Photosynthesis is the process by which plants convert light into energy."
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)
    embeddings = outputs.last_hidden_state.mean(dim=1)  # Mean pooling

print(embeddings.shape)  # torch.Size([1, 384])

Masked Language Modeling

from transformers import AutoTokenizer, AutoModelForMaskedLM
import torch

tokenizer = AutoTokenizer.from_pretrained("mjbommar/ogbert-v1-mlm")
model = AutoModelForMaskedLM.from_pretrained("mjbommar/ogbert-v1-mlm")

text = "A molecule is the smallest <|mask|> of a chemical compound."
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)
    mask_idx = (inputs.input_ids == tokenizer.mask_token_id).nonzero(as_tuple=True)[1]
    predictions = outputs.logits[0, mask_idx].softmax(dim=-1)
    top_tokens = predictions.topk(5)

for score, idx in zip(top_tokens.values[0], top_tokens.indices[0]):
    print(f"{tokenizer.decode(idx)}: {score:.4f}")
# Output:
#   unit: 0.6509
#   part: 0.1069
#   component: 0.0541
#   form: 0.0294
#   portion: 0.0243

Training Details

Training Data

  • Dataset: mjbommar/ogbert-v1-mlm
  • Source: OpenGloss v1.1 Dictionary
  • Domains: 16 (Geography, Mathematics, Science, Law, Technology, Philosophy, etc.)
  • Reading levels: 11 (Kindergarten through PhD)

Training Procedure

ParameterValue
Training steps5,000
Total tokens8,402,890,141 (8.40B)
Epochs34.99
MLM probability25%
Per-device batch size84
Gradient accumulation32
Global batch size2,688

Hyperparameters

ParameterValue
Peak learning rate5e-4
Final learning rate0.0 (linear decay)
Weight decay0.01
Warmup steps500
LR scheduleLinear warmup + linear decay
OptimizerAdamW
Precisionbf16

Training Infrastructure

  • Framework: Transformers + Accelerate
  • Hardware: Single GPU

Final Training Metrics

From step 5000 (final checkpoint):

MetricValue
Train loss0.6334
Eval loss0.6685
Eval perplexity1.951
Gradient norm0.300
Loss (100-step avg)0.655
Loss (1000-step avg)0.667

Loss Stability (Final 1000 Steps)

MetricValue
Mean0.6673
Std0.0257
5th percentile0.6266
95th percentile0.7100

Evaluation Results

Clustering Performance

MetricValue
Adjusted Rand Index (ARI)0.7302
Cluster Accuracy0.8000
Silhouette Score0.2547

Retrieval Performance

MetricValue
Mean Reciprocal Rank (MRR)0.9596
Mean Average Precision (MAP)0.8183
Precision@10.9375
Precision@30.9083

Word Similarity (SimLex-999)

MetricValue
Pearson correlation0.2911
Spearman correlation0.2829

Training Convergence

MetricValue
Initial loss10.46
Final train loss0.6334
Final eval loss0.6685
Loss reduction94%
Final perplexity1.95

Limitations

  1. Word similarity: The model achieves relatively low word similarity scores (SimLex 0.29). MLM pretraining optimizes for categorical boundaries rather than pairwise similarity. For tasks requiring fine-grained similarity, consider contrastive fine-tuning.

  2. Domain coverage: Performance varies by domain. Arts and history show higher loss (0.77-0.84) compared to geography and mathematics (0.44-0.56).

  3. English only: The model is trained exclusively on English text.

Related Models

Citation

If you use this model, please cite the OpenGloss paper:

@misc{bommarito2025opengloss,
  title={OpenGloss: A Synthetic Encyclopedic Dictionary and Semantic Knowledge Graph},
  author={Bommarito, Michael J., II},
  year={2025},
  eprint={2511.18622},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2511.18622}
}

License

This model is released under the Apache 2.0 license.

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
0a39df9

0 моделей