/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
6,2 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Библиотека
transformers
Опубликована
2 сен 2026

Nawah-BERT-6M-v2

Заполнение пропусковТекст → текст3 профессии

Компактная арабоязычная BERT-модель для восстановления скрытых токенов и адаптации к задачам классификации.

55скачиваний за 30 дней0лайковвеса обновлены2 сен 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

Nawah-BERT-6M-v2 — компактная арабоязычная модель семейства BERT, разработанная в рамках Project Nawah. Это плотный энкодер с 6,2 млн параметров, обученный с нуля на 15 млрд токенов; используется архитектура BertForMaskedLM с контекстом до 2 048 токенов. Модель предназначена для восстановления скрытых токенов в арабском тексте и может служить компактной основой для последующей адаптации под задачи классификации.

В карточке приведены результаты проверки восстановления маскированных токенов и дообучения для проверки правил, контроля отказов и маршрутизации запросов. Для классификации автор рекомендует усреднять представления непустых токенов: модель обучалась на упакованных фрагментах без токена [CLS], поэтому пулер классификатора, инициализированный случайно, не подходит. Доступна под лицензией Apache-2.0.

Сценарии применения

  • восстановление пропущенных слов в арабском тексте
  • предобработка арабских корпусов с маскированным языковым моделированием
  • дообучение компактного энкодера для классификации арабского текста
  • маршрутизация арабоязычных запросов после адаптации
  • проверка текстов по правилам после дообучения

Ограничения

Для классификации не следует использовать стандартный пулер [CLS]: автор рекомендует усреднение непустых токенов. Результаты downstream-задач получены после отдельного дообучения и не означают, что базовый чекпойнт готов к ним без адаптации.

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

Nawah-BERT-6M-v2

A 5,993,600-parameter Arabic BERT trained from scratch on 15B tokens. Same architecture as its 5B-token predecessor, v1 (hidden 128, 8 layers, 2 heads, ctx 2,048, 32K vocab) — only the token budget changed, and it changed everything. v1 is kept internal; every number it produced is reported below so the comparison is still legible.

v1 → v2: the token budget was the whole story

Held-out MLM on 1,024 chunks neither run trained on, standard 80/10/10:

tokensloss @15%pplloss @30%in-context top-1top-5
v15B6.0424420.96.10532.7%7.3%
v215B3.354228.63.841937.2%53.0%
corpus unigram—8.0313,076———

Perplexity improved 14.7× and single-mask recovery went from near-nothing to recovering the exact token 37% of the time.

A correction worth recording

The v1 model card said it had saturated — that "5B tokens is roughly 500× past Chinchilla-optimal for this size, and the flat tail is what that looks like." That was wrong. The flat tail was the cosine learning rate decaying to zero, not the model running out of capacity. Warm-starting at lr 3e-4 on fresh tokens moved held-out loss 6.04 → 3.35. A 1.9M-parameter backbone had far more to give than its own loss curve suggested — a flat loss late in a cosine schedule says almost nothing about capacity.

Training

Continued from v1: 10B unseen tokens (permutation chunks 2,441,344 onward of tokens_20B_sep.bin, so no repetition of what v1 saw), lr 3e-4 cosine, 38,146 steps at 262,144 tokens/step, mask 30%→15% annealed at step 33,949, bf16, torch_compile. 3.5 h on a single consumer GPU. Total across both runs: 15B of the corpus's 20B.

Downstream

Fine-tuned on three tasks and compared against the Llama models built for each. Full numbers in each card:

taskv1v2reference (Llama)
RuleCheck unseen wording0.93570.95980.9949 (5M)
Guard held-out over-refusal ↓0.01460.01150.0094 (52M)
Router unseen category sets0.91370.93270.9308 (52M)

Use mean pooling, not [CLS]

Pretrained on packed 2,048-token chunks with no [CLS], so position 0 has no summary role and BertForSequenceClassification's pooler arrives randomly initialised. With it the model never leaves the class prior at any learning rate from 1e-4 to 3e-3. Mean-pool over non-pad positions instead — see bert_meanpool.py in the task repos.

© KAND CA 2026 — PROJECT NAWAH

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
BertForMaskedLM
Ревизия весов
9992bf2

0 моделей