/ Модель

Характеристики

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

modernbert-small-modernbert-small-factorized-linear-babylm2026

Заполнение пропусковТекст → текст3 профессии

Англоязычная ModernBERT-Small с факторизованными эмбеддингами для заполнения пропусков и исследований предобучения на малых корпусах.

20скачиваний 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

Это англоязычная модель ModernBERT-Small для восстановления замаскированных токенов в тексте. Модель с 31,8 млн параметров обучена с нуля автором репозитория на корпусе BabyLM 2026 Strict-Small объёмом около 10 млн слов. Она предназначена для экспериментов с предобучением языковых моделей на ограниченных объёмах данных и сравнения способов представления токенов в эмбеддинг-слое.

Архитектура включает 16 слоёв, скрытый размер 384, 6 голов внимания, RoPE, GeGLU и чередование локального и глобального внимания. Входные эмбеддинги используют линейную факторизацию через 128-мерное пространство; выходной декодер не связан весами с входными эмбеддингами. Модель работает с английским текстом и byte-level BPE-токенизатором на 30 522 токена. Указанная лицензия — MIT.

Модель подходит для заполнения пропусков и оценки влияния факторизации эмбеддингов в экспериментах BabyLM. В README описана оценка на задачах языкового понимания и последующая настройка на GLUE/SuperGLUE, но сама модель является masked language model, а не готовым чат-ассистентом или генератором текста. Результаты качества в карточке не приведены.

Сценарии применения

  • восстановление замаскированных слов в английском тексте
  • сравнение способов факторизации эмбеддингов в языковых моделях
  • эксперименты с предобучением на ограниченном корпусе BabyLM
  • оценка языкового понимания на бенчмарках BabyLM
  • дообучение для исследовательской оценки на GLUE и SuperGLUE

Ограничения

Модель обучена на корпусе BabyLM Strict-Small объёмом около 10 млн слов, поэтому её возможности ограничены этим обучающим масштабом и английским языком. Карточка не приводит численных результатов оценки качества.

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) — 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. This checkpoint instead 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). The output projection (tie_word_ embeddings=false) uses its own separate decoder rather than sharing the input embedding weights.

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

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.

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
5586743

0 моделей