ModernBERT-base
M
Modernbert Base
简介 :
ModernBERT-base是一个现代化的双向编码器Transformer模型,预训练于2万亿英文和代码数据,原生支持长达8192个token的上下文。该模型采用了Rotary Positional Embeddings (RoPE)、Local-Global Alternating Attention和Unpadding等最新架构改进,使其在长文本处理任务中表现出色。ModernBERT-base适用于需要处理长文档的任务,如检索、分类和大型语料库中的语义搜索。模型训练数据主要为英文和代码,因此可能在其他语言上的表现会有所降低。
需求人群 :
目标受众为需要处理长文本数据的开发者、数据科学家和研究人员。ModernBERT-base由于其长文本处理能力和对英文及代码数据的优化,特别适合于自然语言处理、代码检索和混合(文本+代码)语义搜索等场景。
总访问量: 29.7M
占比最多地区: US(17.94%)
本站浏览量 : 54.1K
使用场景
在大规模文档中进行信息检索
对代码库进行语义搜索以找到相关函数或模块
在大型语料库中进行文本分类和语义搜索
产品特色
支持长达8192个token的长文本处理能力
Rotary Positional Embeddings (RoPE) 支持长上下文
Local-Global Alternating Attention 提升长输入的效率
Unpadding和Flash Attention 优化推理效率
适用于大规模文本和代码数据的预训练
无需token type IDs,简化了下游任务的使用
支持使用Flash Attention 2以获得更高的效率
使用教程
1. 安装transformers库:使用pip安装git+https://github.com/huggingface/transformers.git。
2. 加载模型和分词器:使用AutoTokenizer和AutoModelForMaskedLM从预训练模型加载分词器和模型。
3. 准备输入文本:将待处理的文本输入到分词器中,获取模型需要的输入格式。
4. 模型推理:将处理好的输入数据传递给模型,进行推理。
5. 获取预测结果:对于Masked Language Model任务,获取模型对[MASK]位置的预测结果。
6. 应用下游任务:对于分类、检索或问答等任务,可以对ModernBERT进行微调以适应特定任务。
7. 使用Flash Attention 2优化效率:如果GPU支持,安装flash-attn库并使用以获得更高的推理效率。
AIbase
智启未来,您的人工智能解决方案智库
© 2025AIbase