/ Модель

Характеристики

Параметры
31,8 млн
Лицензия
MIT
Архитектура
modernbert_small · dense
Библиотека
transformers
Опубликована
21 июл 2026

modernbert-small-factorized-linear-dual-babylm2026

Заполнение пропусковТекст → текст3 профессии

Экспериментальная англоязычная ModernBERT-Small модель предсказывает замаскированные токены и позволяет изучать факторизованные эмбеддинги на малом корпусе BabyLM.

24скачиваний за 30 дней0лайковвеса обновлены21 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

ModernBERT-Small Factorized Linear Embeddings, Tied — модель маскированного языкового моделирования от remg1997, обученная с нуля на корпусе BabyLM 2026 Strict-Small объёмом около 10 млн слов. Это экспериментальный чекпойнт для сравнения способов сокращения параметров в токенных эмбеддингах в условиях ограниченного объёма данных и вычислений.

Модель использует архитектуру ModernBERT: 16 слоёв, скрытый размер 384, 6 голов внимания, RoPE, GeGLU и чередование локального и глобального внимания. Таблица токенных эмбеддингов факторизована через 128-мерное пространство; веса эмбеддингов также используются для проекции выхода MLM. Всего в модели 31,8 млн параметров. Она предсказывает скрытые токены в англоязычном тексте и предназначена прежде всего для исследовательской оценки и последующего тонкого обучения.

Обучение выполнено на англоязычном наборе BabyLM с токенизатором byte-level BPE размером 30 522 токена; внешние данные и синтетическое дополнение не использовались. В репозитории указана лицензия MIT. В README отмечено, что для этого чекпойнта недоступна метрика корреляции с возрастом усвоения слов, поскольку она требует полного набора промежуточных чекпойнтов.

Сценарии применения

  • предсказание пропущенных слов в английском тексте
  • оценка языковых закономерностей на бенчмарках BabyLM
  • тонкая настройка компактной маскированной языковой модели
  • исследование влияния связанных факторизованных эмбеддингов на качество MLM

Ограничения

Обучение ограничено корпусом BabyLM Strict-Small объёмом около 10 млн слов, поэтому модель не предназначена для широкого языкового охвата. Для этого чекпойнта отсутствует метрика корреляции с возрастом усвоения слов, требующая полного набора промежуточных чекпойнтов.

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-Small (Factorized Linear Embeddings, Tied) — BabyLM 2026 Strict-Small

This model is a ModernBERT-Small masked language model (RoPE, GeGLU, alternating local/global attention, 384 hidden size, 16 layers, 6 attention heads) trained from scratch on the BabyLM 2026 Strict-Small 10M-word corpus, as part of an ablation study on parameter-efficient token embedding layers for developmentally-plausible pretraining under the BabyLM Challenge's strict-small compute and data budget.

Embedding design

Standard transformer token embedding tables scale as vocab_size x hidden_size, which for this model's 30,522-token vocabulary and 384 hidden size would be an 11.7M-parameter dense lookup table -- a large fraction of the model's total parameter budget under the strict-small constraint. Like this sweep's other factorized-linear checkpoint, this model uses an ALBERT-style linear factorization: tokens are first embedded into a smaller 128-dimensional bottleneck space, then linearly projected up to the model's 384-dimensional hidden size, replacing one large vocab_size x hidden_size matrix with two much smaller ones (vocab_size x 128 and 128 x 384).

This checkpoint is the tied ("dual-use") variant: tie_word_embeddings=true, so the same factorized embedding weights are reused in reverse for the MLM output projection, rather than training a separate untied decoder as its sibling checkpoint in this sweep does. This roughly halves the embedding-related parameter count relative to the untied variant, at the cost of constraining the input and output representations to share the same factorized subspace -- a direct ablation of whether tying helps or hurts under a fixed factorized-embedding budget.

This is one variant in a broader comparison of embedding-layer parameterizations (dense, linear and MLP-style factorization, tensor-train decomposition, deterministic Fourier expansion, and compositional/frequency-adaptive variants) evaluated under identical data, tokenizer, optimizer, and training budget, to isolate the effect of the embedding layer's parameterization on downstream BabyLM evaluation performance.

Training data

BabyLM 2026 Strict-Small corpus (~10M words), tokenized with a byte-level BPE tokenizer trained on the same corpus (vocab size 30,522). No external data, synthetic augmentation, or human annotation beyond the corpus as officially released.

Usage

from transformers import AutoModelForMaskedLM, AutoTokenizer

model = AutoModelForMaskedLM.from_pretrained(
    "remg1997/modernbert-small-factorized-linear-dual-babylm2026",
    trust_remote_code=True,
)
tokenizer = AutoTokenizer.from_pretrained(
    "remg1997/modernbert-small-factorized-linear-dual-babylm2026"
)

Each chck_{N}M branch of this repository corresponds to a BabyLM-Challenge compliance checkpoint (one per N million words of training data seen); main points at the final, fully-trained checkpoint. Note: this run's W&B logging only captured checkpoints from chck_20M through chck_100M -- earlier milestones (chck_1M-chck_10M) were not preserved, so this repository has fewer checkpoint branches than this sweep's other models.

Evaluation

Evaluated with the official babylm-eval harness (BLiMP, EWoK, entity tracking, COMPS, Global PIQA, reading-time correlation, GLUE/SuperGLUE fine-tuning, and Age-of-Acquisition word-surprisal correlation) under the strict-small track. Age-of-Acquisition results are unavailable for this checkpoint since that metric requires the full chck_1M-chck_100M checkpoint set, which this run does not have.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
ModernBertSmallForMaskedLM
Ревизия весов
56e1a30

0 моделей