/ Модель

Характеристики

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

modernbert-small-phase6-composition-babylm2026

Заполнение пропусковТекст → текст3 профессии

Англоязычная компактная ModernBERT-Small для предсказания замаскированных токенов и исследований композиционных байтовых эмбеддингов на корпусе BabyLM.

21скачиваний 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 от remg1997 — англоязычная модель masked language modeling, обученная с нуля на корпусе BabyLM 2026 Strict-Small объёмом около 10 млн слов. Она предназначена для предсказания замаскированных токенов и экспериментов с влиянием компактных параметризаций эмбеддингов на языковое обучение и оценку BabyLM.

Модель содержит 31,8 млн параметров и использует архитектуру ModernBERT-Small: 16 слоёв, скрытый размер 384, 6 голов внимания, RoPE, GeGLU и чередование локального и глобального внимания. Вместо отдельного обучаемого вектора для каждого токена она строит эмбеддинги из UTF-8 байтовых n-грамм длины от 1 до 4, хешированных в 8192 общих корзины; полученное представление проецируется в размерность 384. Токенизатор byte-level BPE имеет словарь из 30 522 токенов. Вариант composition-only не использует остаточные векторы для отдельных токенов.

Модель подходит для исследования компактных эмбеддингов, предсказания пропущенных слов и оценки на задачах BabyLM; обучение проводилось без внешних данных на официальном корпусе Strict-Small. Это исследовательский чекпойнт для сравнения вариантов параметризации, поэтому результаты могут быть ограничены малым объёмом обучающих данных и не гарантируют качество универсальной языковой модели. Лицензия — MIT.

Сценарии применения

  • предсказание пропущенных слов в английском тексте
  • сравнение композиционных и обычных токенных эмбеддингов
  • оценка языковой модели на бенчмарках BabyLM
  • исследование предобучения на малых корпусах

Ограничения

Обучена на корпусе BabyLM Strict-Small объёмом около 10 млн слов, поэтому её знания и качество могут быть ограничены этим небольшим набором данных. README описывает экспериментальный вариант для сравнительного исследования эмбеддингов.

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 (Compositional Byte-N-Gram 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. This checkpoint replaces that table entirely with a compositional byte-n-gram embedding, inspired by fastText's subword hashing trick: each vocabulary token is decomposed into its raw UTF-8 byte sequence, every byte n-gram (n = 1 to 4) is extracted from it and hashed into one of 8,192 shared buckets, and the token's representation is the mean of its buckets' embeddings (a 128-dimensional EmbeddingBag table, ~1.0M parameters total) rather than a dedicated per-token row. This composed vector is then projected up to the model's 384-dimensional hidden size. The same shared n-gram bucket table is used to produce the MLM output head's logits (tie_word_embeddings=true is required for this embedding type), so the entire vocabulary's token representations are generated algorithmically from ~1M shared subword-hash parameters instead of ~11.7M independent per-token ones. This particular checkpoint uses no token-specific residual on top of the composed representation (compositional_residual_mode=none) -- it is the "composition-only" control in a broader sweep that also tests frequency-gated residual variants.

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-phase6-composition-babylm2026",
    trust_remote_code=True,
)
tokenizer = AutoTokenizer.from_pretrained(
    "remg1997/modernbert-small-phase6-composition-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
9c70036

0 моделей