/ Модель

Характеристики

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

modernbert-small-phase6-composition-frequency-shuffled-babylm2026

Заполнение пропусковТекст → текст3 профессии

Англоязычная модель ModernBERT-Small для предсказания пропущенных токенов и экспериментов BabyLM с компактными композиционными эмбеддингами.

26скачиваний 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 исследовательский чекпойнт ModernBERT-Small от remg1997 для экспериментов BabyLM 2026 в режиме Strict-Small. Модель обучена с нуля на корпусе примерно из 10 миллионов слов; её архитектура включает 16 слоёв, скрытый размер 384, 6 голов внимания, RoPE, GeGLU и чередование локального и глобального внимания. Всего в модели 31,8 млн параметров; она принимает текст и предсказывает пропущенные в нём токены.

Чекпойнт изучает способ компактного представления токенов: UTF-8 байтовые n-граммы длиной от 1 до 4 хешируются в общие корзины, а к составному представлению добавляется остаточный вектор для токена. В этом контрольном варианте частотные значения для управления остатком перемешаны между токенами, чтобы проверить, даёт ли эффект именно корректный сигнал частотности. Модель предназначена для сравнительных экспериментов по предобучению и оценке языковых моделей на задачах BabyLM, включая лингвистические оценки и последующую тонкую настройку.

Модель поддерживает английский язык, использует библиотеку Transformers и распространяется в формате safetensors по лицензии MIT. Результаты ограничены малым учебным корпусом и экспериментальным дизайном; README не приводит численных показателей качества.

Сценарии применения

  • предсказание пропущенных слов в английском тексте
  • сравнение способов параметризации эмбеддингов токенов
  • оценка языковых знаний на бенчмарках BabyLM
  • тонкая настройка небольшой маскированной языковой модели

Ограничения

Обучение проводилось на корпусе BabyLM Strict-Small объёмом около 10 миллионов слов, поэтому возможности модели ограничены этим небольшим набором данных и английским языком. Это контрольный вариант для абляционного исследования; README не приводит численных результатов 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 (Compositional + Shuffled-Frequency Residual, Control) — 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's base representation is the same compositional byte-n-gram embedding used across this ablation sweep: each vocabulary token is decomposed into its raw UTF-8 byte sequence, every byte n-gram (n = 1 to 4) is extracted 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) rather than a dedicated per-token row.

On top of that shared composed representation, this variant adds a frequency-gated per-token residual -- a learned vocab_size x 128 embedding added to the composed vector, scaled per token by frequency / (frequency + tau) (tau = 100) so common tokens lean more on their own residual and rare tokens rely mostly on the composition. Critically, this checkpoint is the shuffled-frequency control: the frequency values used to compute each token's gating weight are randomly permuted across the vocabulary (fixed seed 42) before being applied, so a token's residual is gated by an unrelated token's frequency rather than its own. This isolates whether any benefit from the frequency-gated residual comes from the correct frequency signal, or merely from having some per-token residual-plus-gating mechanism -- a null-effect control against the true frequency-gated variant in this sweep.

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-frequency-shuffled-babylm2026",
    trust_remote_code=True,
)
tokenizer = AutoTokenizer.from_pretrained(
    "remg1997/modernbert-small-phase6-composition-frequency-shuffled-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
d80a469

0 моделей