README_JA.md

metadata

language:
  - ja
license: mit
library_name: transformers
pipeline_tag: fill-mask
tags:
  - mirei
  - modernbert
  - masked-lm
  - pretraining
base_model: iamtatsuki05/ModernBERT-JP-0.5B-init
datasets:
  - hotchpotch/fineweb-2-edu-japanese

ModernBERT-JP-0.5B-PT-stage1

English / Japanese

Overview

ModernBERT-JP-0.5B-PT-stage1 は、iamtatsuki05/ModernBERT-JP-0.5B-init を hotchpotch/fineweb-2-edu-japanese で学習した非埋め込みパラメータが約 0.5B パラメータの日本語の ModernBERT モデルです。 最大 1,024 トークンで 10B トークン学習させました。

• Hugging Face Collection
• GitHub

Usage

Requirements

transformers>=4.51.0
accelerate>=1.6.0
sentencepiece>=0.2.0
flash-attn>=2.7.3

Sample Code

import torch
from transformers import AutoModelForMaskedLM, AutoTokenizer

model_name = "iamtatsuki05/ModernBERT-JP-0.5B-PT-stage1"
model_kwargs = {
  "torch_dtype": torch.bfloat16,
  "attn_implementation": "flash_attention_2",
  "device_map": "auto",
}
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForMaskedLM.from_pretrained(model_name, **model_kwargs)

text = f"ハチワレは{tokenizer.mask_token}のキャラクターです。"
inputs = tokenizer(text, return_tensors="pt").to(model.device)
outputs = model(**inputs)
masked_index = inputs["input_ids"][0].tolist().index(tokenizer.mask_token_id)
print(tokenizer.decode(outputs.logits[0, masked_index].argmax(axis=-1)))

Model Details

• ベースモデル: iamtatsuki05/ModernBERT-JP-0.5B-init
• アーキテクチャ: ModernBERT
• 最大シーケンス長: 8,192トークン
• 埋め込み次元: 1280
• トークナイザ: SentencePiece / 語彙数 102,400
• 位置エンコーディング: RoPE
• 対応言語: 日本語

Model Series

初期化済みモデルに対して hotchpotch/fineweb-2-edu-japanese で最大 1,024 トークンを約 10B トークン分事前学習したモデル群です。

ID	Architecture	#Param.	#Param. w/o Emb.
iamtatsuki05/ModernBERT-JP-0.5B-PT-stage1 (this model)	ModernBERT	679M	548M
iamtatsuki05/Llama-JP-0.5B-PT-stage1	Llama	661M	530M

Licence

このモデルは MIT でライセンスされています。

How to Cite

@article{MIREI
  title={同一条件下における Encoder/Decoder アーキテクチャによる文埋め込みの性能分析},
  author={岡田 龍樹 and 杉本 徹},
  journal={言語処理学会第 32 回年次大会 (NLP2026)},
  year={2026}
}