/ Модель

Характеристики

Контекст
1 025 токенов
Параметры
138 млн
Лицензия
MIT
Архитектура
roberta · dense
Базовая модель
camembertv2-base
Библиотека
transformers
Опубликована
22 июл 2026

CamemBERT-bio-v2-base

Заполнение пропусковТекст → текст3 профессии

Франкоязычный биомедицинский энкодер на базе CamemBERTv2 для восстановления замаскированных фрагментов и распознавания медицинских сущностей.

57скачиваний за 30 дней1лайквеса обновлены28 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

CamemBERT-bio-v2-base — франкоязычная биомедицинская модель-энкодер, разработанная Рианом Тушаном и Эриком де ла Клержери из Sorbonne Université и Inria Paris. Она предназначена для распознавания клинических и биомедицинских сущностей во французском тексте и служит основой для задач обработки медицинского языка на уровне токенов.

Модель основана на архитектуре RoBERTa / CamemBERTv2 и дообучена продолжением предобучения базовой almanach/camembertv2-base на медицинских данных, включая корпус MC-Bio. В карточке указано 111 млн параметров и контекст 1 024 токена; метаданные каталога указывают 138,4 млн параметров и 1 025 токенов. Для восстановления замаскированных фрагментов используется задача fill-mask, а обучение с маскированием целых упоминаний медицинских сущностей ориентировано на улучшение токенных представлений. В опубликованной оценке на французском бенчмарке распознавания сущностей модель получила 65,8 exact-F1 в среднем.

Модель подходит для извлечения медицинских сущностей и адаптации к смежным задачам разметки французских клинических и биомедицинских текстов. Она не является готовой специализированной моделью для длинных документов; авторы указывают на отдельную большую версию ModernCamemBERT-bio-v2-large для таких сценариев. Лицензия — MIT.

Сценарии применения

  • распознавание медицинских сущностей во французских клинических записях
  • извлечение биомедицинских терминов из французских научных текстов
  • восстановление пропущенных слов в медицинском тексте на французском
  • дообучение модели для токенной разметки французских клинических документов

Ограничения

Опубликованная оценка относится к короткому бенчмарку распознавания сущностей; для задач на длинных документах авторы рекомендуют версию ModernCamemBERT-bio-v2-large.

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

CamemBERT-bio-v2-base

CamemBERT-bio-v2-base is a French biomedical encoder for token-level tasks. It is obtained by continuing the pretraining of camembertv2-base on biomedical text. On our named entity recognition benchmark it reaches 65.8 exact-F1, among the best results we measured for a French biomedical encoder of this size. For long-document tasks, see ModernCamemBERT-bio-v2-large.

Authors

Rian Touchent and Eric de la Clergerie, Sorbonne Université, Inria Paris.

Overview

This model targets clinical and biomedical entity recognition in French. Starting from camembertv2-base, we first run a causal language modeling detour on clinical text, then a decay phase that masks whole entity spans and gives more weight to medical terms. The detour deepens the domain adaptation, and the entity-focused masking sharpens the token representations that entity recognition relies on.

ArchitectureRoBERTa (CamemBERTv2)
Parameters111M
Context length1,024 tokens
LanguageFrench
Base modelalmanach/camembertv2-base

Usage

from transformers import AutoTokenizer, AutoModelForMaskedLM

model_id = "rntc/CamemBERT-bio-v2-base"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForMaskedLM.from_pretrained(model_id)

text = "Le patient présente une <mask> aiguë du myocarde."
inputs = tokenizer(text, return_tensors="pt")
logits = model(**inputs).logits
i = inputs["input_ids"][0].tolist().index(tokenizer.mask_token_id)
print(tokenizer.decode(logits[0, i].argmax(-1)))

Training

The model is initialized from camembertv2-base. We first apply a causal language modeling detour on the MC-Bio clinical corpus, which produces lasting changes in the early layers and improves domain adaptation. We then run a decay phase with whole-entity-span masking, where medical surface forms are masked as full spans and sampled more often than ordinary words. This keeps the masked language modeling objective throughout.

Evaluation

Per-task results on the short named entity recognition core of our French biomedical benchmark, scored with exact-F1. Our models are averaged over nine seeds; the external baselines are currently averaged over three seeds.

ModelEMEAMedlineE3CAvg
DoctoBERT72.066.561.566.7
CamemBERT-bio-v271.964.760.965.8
CamemBERT-bio70.665.161.565.7
DoctoModernBERT68.765.460.764.9
DrBERT69.062.958.563.4
ModernCamemBERT-bio-v2-large67.863.458.763.3
ModernCamemBERT-bio-base67.660.758.762.3
ModernCamemBERT-bio-v2-base64.059.658.560.7

CamemBERT-bio-v2 comes second on the average, close behind doctobert and ahead of DoctoModernBERT. Most of the remaining gap comes from Medline, the scientific-title subset.

Environmental impact

The biomedical continued-pretraining reported here ran for about 1 GPU-hour on H100, on the Jean Zay cluster (GENCI-IDRIS) in France. We estimate roughly 0.03 kg CO2eq for this phase. This figure covers the continued-pretraining step only and does not include the pretraining of the base model.

License

MIT

Citation

@inproceedings{touchent:hal-05697506,
  TITLE = {{OntoBook: Ontology-Grounded Synthetic Textbooks for Medical Encoder Pretraining}},
  AUTHOR = {Touchent, Rian and de la Clergerie, {\'E}ric},
  URL = {https://hal.science/hal-05697506},
  BOOKTITLE = {{Proceedings of Knowledge Graphs and Large Language Models Workshop}},
  ADDRESS = {Palma de Mallorca, Spain},
  YEAR = {2026},
  MONTH = May,
  PDF = {https://hal.science/hal-05697506v1/file/main.pdf},
  HAL_ID = {hal-05697506},
  HAL_VERSION = {v1},
}

@misc{touchent2026causallanguagemodelingdetour,
  title={A Causal Language Modeling Detour Improves Encoder Continued Pretraining},
  author={Rian Touchent and Eric de la Clergerie},
  year={2026},
  eprint={2605.12438},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2605.12438},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForMaskedLM
Ревизия весов
9a8e9e3

0 моделей