/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
ModernBERT-base
Библиотека
transformers
Опубликована
7 янв 2026

modernbert-base-32k

Заполнение пропусковТекст → текст8 профессий

Дообученная ModernBERT-base с расширенным контекстом предназначена для заполнения пропусков и извлечения признаков из длинных англоязычных текстов.

1 181скачиваний за 30 дней1лайквеса обновлены2 окт 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

vllm-sr разработала ModernBERT-base-32K — дообученную версию ModernBERT-base для обработки длинного контекста и заполнения пропусков в тексте. Это encoder-only модель архитектуры ModernBERT с 149 млн параметров. В карточке указано расширение контекста до 32 768 токенов с помощью масштабирования YaRN и специального обучения для сохранения зависимостей между удалёнными фрагментами; метаданные при этом указывают native context в 8 192 токена.

Основная задача модели — предсказывать замаскированные токены. Её также можно использовать для извлечения признаков и построения downstream-решений, например классификации длинных текстов и семантического поиска по документам. Модель обучалась на длинных веб-текстах из Slimpajama; основным языком карточка указывает английский.

Лицензия — Apache-2.0. Среди ограничений карточка отмечает снижение точности поиска удалённых фрагментов на больших расстояниях, ограниченную пользу контекста свыше 16K токенов и потребность примерно в 16 ГБ или более GPU-памяти для обработки 32K токенов; качество на узкоспециализированных текстах может быть ниже.

Сценарии применения

  • заполнение пропущенных слов в длинных документах
  • извлечение признаков для классификации длинных текстов
  • подготовка представлений документов для семантического поиска
  • анализ связей между удалёнными фрагментами текста

Ограничения

Извлечение удалённых фрагментов может быть ненадёжным на больших расстояниях, а дополнительный контекст свыше 16K токенов не всегда улучшает предсказания. Обработка 32K токенов требует значительного объёма GPU-памяти; модель обучалась преимущественно на веб-текстах и может хуже работать в специализированных областях.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ModernBERT-base-32K

A long-context extension of ModernBERT-base fine-tuned for 32K token context length using YaRN (Yet another RoPE extensioN) scaling.

Model Description

This model extends the original ModernBERT-base from 8,192 tokens to 32,768 tokens context length while preserving the base model's capabilities. It was fine-tuned using specialized techniques to maintain long-range retrieval performance:

  • YaRN RoPE Scaling: Factor of 4.0x to extend positional embeddings
  • Retrieval-Aware Masking: Custom MLM objective that encourages long-range token dependencies
  • Elastic Weight Consolidation (EWC): Regularization to prevent catastrophic forgetting
  • Conservative Learning Rate: 1e-5 with constant warmup schedule

Model Details

PropertyValue
Parameters149M
Context Length32,768 tokens
Hidden Size768
Attention Heads12
Layers22
Vocabulary50,368
ArchitectureModernBERT (RoPE + Sliding Window + Global Attention)

Training

Dataset

  • Source: Leooyii/Slimpajama_downsample_32k_1B (subset)
  • Samples: ~1B tokens of long-form text (≥32K tokens per document)
  • Preprocessing: Concatenated documents with proper sequence boundaries

Hyperparameters

learning_rate: 1e-5
lr_scheduler: constant_with_warmup
warmup_ratio: 0.1
epochs: 1
batch_size: 6
gradient_accumulation: 1
precision: bf16
max_length: 32768

# RoPE Scaling
rope_scaling_type: yarn
rope_scaling_factor: 4.0

# Retrieval Masking
mlm_probability: 0.30
retrieval_probability: 0.10
min_distance_for_retrieval: 512

# EWC Regularization
ewc_lambda: 1000.0
ewc_samples: 200

Training Infrastructure

  • Hardware: AMD MI300X GPU (192GB HBM3)
  • Framework: PyTorch + Transformers
  • Training Time: ~4 hours

Evaluation Results

Comparison with Base Model (at 32K context)

MetricThis ModelBase ModernBERT
Basic MLM Accuracy100%100%
Perplexity @ 32K1.001.00
Passkey Retrieval @ 51260%50%
Passkey Retrieval @ 1K50%50%
Long-Range Coreference100%100%
Position Accuracy (early)90%85%
Position Accuracy (late)71%64%
Repeated Info Consistency100%100%

Distance-Based Retrieval Accuracy

DistanceAccuracy
64 tokens80%
128 tokens60%
256 tokens73%
512 tokens27%
1024 tokens40%
2048 tokens47%
4096 tokens53%
8192 tokens20%

Perplexity by Context Length

ContextPerplexity
5121.84
10241.29
20481.11
40961.02
81921.00
163841.00
245761.00
327681.00

Usage

Basic Usage

from transformers import AutoModelForMaskedLM, AutoTokenizer

model = AutoModelForMaskedLM.from_pretrained("vllm-sr/modernbert-base-32k")
tokenizer = AutoTokenizer.from_pretrained("vllm-sr/modernbert-base-32k")

text = "The capital of France is [MASK]."
inputs = tokenizer(text, return_tensors="pt")
outputs = model(**inputs)

# Get predictions
mask_idx = (inputs.input_ids == tokenizer.mask_token_id).nonzero(as_tuple=True)[1]
logits = outputs.logits[0, mask_idx, :]
top_tokens = logits.topk(5).indices[0]
print([tokenizer.decode(t) for t in top_tokens])
# ['Paris', 'Lyon', 'Nancy', ...]

Long Context Usage

# For sequences longer than 8192 tokens, YaRN scaling is automatically applied
long_text = "..." * 10000  # Very long document
inputs = tokenizer(
    long_text, 
    return_tensors="pt", 
    max_length=32768, 
    truncation=True
)
outputs = model(**inputs)

Feature Extraction

from transformers import AutoModel

model = AutoModel.from_pretrained("vllm-sr/modernbert-base-32k")

inputs = tokenizer(text, return_tensors="pt")
outputs = model(**inputs)
embeddings = outputs.last_hidden_state  # [batch, seq_len, 768]

# Mean pooling for sentence embedding
attention_mask = inputs["attention_mask"]
masked_embeddings = embeddings * attention_mask.unsqueeze(-1)
sentence_embedding = masked_embeddings.sum(1) / attention_mask.sum(1, keepdim=True)

Limitations

  1. Passkey Retrieval at Long Distances: Like the base model, this model struggles with needle-in-haystack retrieval beyond ~1K tokens. This is a fundamental limitation of MLM architectures, not the fine-tuning.

  2. Context Utilization: At very long contexts (16K+), the model may not always benefit from additional context for MLM predictions. This is expected behavior for encoder-only models.

  3. Memory Requirements: Processing 32K tokens requires significant GPU memory (~16GB+ for inference).

  4. Domain: Trained primarily on web text; may not generalize well to specialized domains without additional fine-tuning.

Intended Use

  • Long-document understanding: Processing documents that exceed typical BERT context limits
  • Information retrieval: Embedding long documents for semantic search
  • Long-form text classification: Sentiment analysis, topic classification on long texts
  • Coreference resolution: Resolving references across long documents
  • Feature extraction: Getting embeddings for downstream tasks

Training Methodology

This model uses several techniques to preserve long-range capabilities during fine-tuning:

1. YaRN RoPE Scaling

Extends positional embeddings from 8K to 32K using Yet another RoPE extensioN with:

  • Scaling factor: 4.0
  • Original base frequency: 10000
  • Attention scaling for numerical stability

2. Retrieval-Aware Masking

Custom MLM objective that creates explicit long-range dependencies:

  • Standard MLM masking (30%)
  • Additional masking of tokens that appear in distant context (10% probability)
  • Minimum distance threshold: 512 tokens

3. Elastic Weight Consolidation

Prevents catastrophic forgetting by:

  • Computing Fisher information matrix on base model
  • Penalizing changes to important weights during fine-tuning
  • Lambda: 1000.0

Citation

If you use this model, please cite:

@misc{modernbert-32k,
  title={ModernBERT-base-32K: Long-Context Extension of ModernBERT},
  author={LLM Semantic Router},
  year={2026},
  url={https://huggingface.co/vllm-sr/modernbert-base-32k}
}

Also cite the original ModernBERT paper:

@article{modernbert2024,
  title={Smarter, Better, Faster, Longer: A Modern Bidirectional Encoder for Fast, Memory Efficient, and Long Context Finetuning and Inference},
  author={Warner, Benjamin and Chaffin, Antoine and Geiger, Benjamin and Werra, Leandro von and Tunstall, Lewis and Bartolo, Max and Thrush, Tristan},
  journal={arXiv preprint},
  year={2024}
}

License

Apache 2.0 (same as base model)

Acknowledgments

  • Answer.AI for the original ModernBERT model
  • Leooyii for the SlimPajama dataset
  • AMD for the MI300X GPU

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
ModernBertForMaskedLM
Ревизия весов
c524269

0 моделей