/ Модель

Характеристики

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

modernbert-small-phase7-zipfian-centering-babylm2026

Заполнение пропусковТекст → текст3 профессии

Экспериментальная англоязычная ModernBERT-Small модель для предсказания замаскированных токенов и изучения эмбеддингов при предобучении на небольшом корпусе.

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 — англоязычная маскированная языковая модель на 31,8 млн параметров, разработанная автором репозитория для экспериментов в рамках BabyLM Challenge 2026. Это плотный трансформер ModernBERT с 16 слоями, скрытым размером 384, шестью головами внимания, RoPE, GeGLU и чередованием локального и глобального внимания. Модель обучена с нуля на корпусе BabyLM 2026 Strict-Small объёмом около 10 млн слов и предназначена для предсказания замаскированных токенов и оценки языковых представлений в условиях ограниченного объёма данных и вычислений.

Вариант исследует композиционные байтовые n-граммные эмбеддинги, дополненные частотными остаточными векторами для токенов и регуляризацией, центрирующей пространство эмбеддингов с учётом частоты слов. В README описана оценка на наборах BabyLM, включая BLiMP, EWoK и GLUE/SuperGLUE. Модель доступна в формате safetensors и распространяется по лицензии MIT. Она ориентирована на английский язык и задачу заполнения пропусков; результаты эксперимента не гарантируют качество универсальной языковой модели или пригодность для диалоговой генерации.

Сценарии применения

  • предсказание пропущенных слов в английском тексте
  • изучение языковых представлений на небольшом корпусе
  • оценка грамматических предпочтений на BLiMP
  • сравнение вариантов эмбеддингов в эксперименте BabyLM
  • дообучение маскированной языковой модели для английского текста

Ограничения

Модель обучена только на корпусе BabyLM Strict-Small объёмом около 10 млн слов, поэтому её возможности и обобщение ограничены этим небольшим обучающим набором. README не приводит численные результаты оценки, поэтому сравнительное качество этого варианта по описанию установить нельзя.

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 + Frequency Residual + Zipfian Centering Penalty) — 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 (using each token's real training-corpus frequency, unlike the shuffled-frequency control variant in this same sweep).

This checkpoint additionally applies a Zipfian-centering geometry penalty during training: at each step, a batch of token representations is sampled with probability proportional to training-corpus frequency (Zipfian sampling, so the penalty reflects the distribution of tokens the model actually sees), and the squared norm of that sample's mean vector is added to the loss (weight 0.01). This regularizes the embedding space to be centered near the origin under realistic token-usage statistics, rather than under a naive uniform-over-vocabulary assumption -- targeting the anisotropy/off-center-embedding-space problem common in learned token representations.

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/geometry-regularized 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-phase7-zipfian-centering-babylm2026",
    trust_remote_code=True,
)
tokenizer = AutoTokenizer.from_pretrained(
    "remg1997/modernbert-small-phase7-zipfian-centering-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
2c39fde

0 моделей