如何在5分钟内快速上手ModernBERT-base完整安装与基础使用教程【免费下载链接】ModernBERT-base项目地址: https://ai.gitcode.com/hf_mirrors/answerdotai/ModernBERT-baseModernBERT-base是一款现代化的双向编码器Transformer模型支持原生8192 tokens的长文本处理适用于检索、分类和语义搜索等任务。本文将带你快速完成安装并掌握基础使用方法让你在5分钟内即可体验这款强大模型的魅力。 为什么选择ModernBERT-baseModernBERT-base作为一款先进的预训练语言模型具备以下核心优势长文本支持原生支持8192 tokens上下文长度轻松处理长文档高效推理采用Rotary Positional Embeddings和Flash Attention技术多任务适配可用于掩码语言模型、文本分类、检索等多种下游任务代码理解在训练数据中融入代码语料特别适合代码检索场景 快速安装步骤1️⃣ 安装Transformers库ModernBERT-base需要Transformers库4.48.0及以上版本支持使用pip命令快速安装pip install -U transformers4.48.02️⃣ 可选安装Flash Attention加速如果你的GPU支持Flash Attention 2可以安装以获得更高效率pip install flash-attn 基础使用指南使用AutoModelForMaskedLM加载模型以下代码展示如何加载模型并进行掩码预测from transformers import AutoTokenizer, AutoModelForMaskedLM model_id answerdotai/ModernBERT-base tokenizer AutoTokenizer.from_pretrained(model_id) model AutoModelForMaskedLM.from_pretrained(model_id) text The capital of France is [MASK]. inputs tokenizer(text, return_tensorspt) outputs model(**inputs) # 获取掩码预测结果 masked_index inputs[input_ids][0].tolist().index(tokenizer.mask_token_id) predicted_token_id outputs.logits[0, masked_index].argmax(axis-1) predicted_token tokenizer.decode(predicted_token_id) print(Predicted token:, predicted_token) # 输出结果: Predicted token: Paris使用Pipeline进行快速推理Transformers的pipeline接口提供了更简洁的使用方式import torch from transformers import pipeline from pprint import pprint pipe pipeline( fill-mask, modelanswerdotai/ModernBERT-base, torch_dtypetorch.bfloat16, ) input_text He walked to the [MASK]. results pipe(input_text) pprint(results)⚠️ 使用注意事项无需token_type_ids与早期BERT模型不同ModernBERT-base不使用token type IDs参数长文本处理虽然支持8192 tokens但完整使用最大上下文长度可能会影响推理速度下游任务适配如需用于分类、检索等任务需按照标准BERT微调流程进行模型微调数据限制模型主要在英文和代码数据上训练其他语言性能可能较低 更多资源模型配置文件config.json分词器配置tokenizer_config.jsonONNX格式模型onnx/完整技术细节arXiv论文 Smarter, Better, Faster, Longer: A Modern Bidirectional Encoder通过以上步骤你已经成功安装并使用ModernBERT-base模型。这款模型不仅继承了BERT的双向编码能力还通过现代架构改进实现了更高效的长文本处理无论是学术研究还是工业应用都能发挥重要作用。现在就开始探索ModernBERT-base的更多可能性吧【免费下载链接】ModernBERT-base项目地址: https://ai.gitcode.com/hf_mirrors/answerdotai/ModernBERT-base创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
如何在5分钟内快速上手ModernBERT-base完整安装与基础使用教程【免费下载链接】ModernBERT-base项目地址: https://ai.gitcode.com/hf_mirrors/answerdotai/ModernBERT-baseModernBERT-base是一款现代化的双向编码器Transformer模型支持原生8192 tokens的长文本处理适用于检索、分类和语义搜索等任务。本文将带你快速完成安装并掌握基础使用方法让你在5分钟内即可体验这款强大模型的魅力。 为什么选择ModernBERT-baseModernBERT-base作为一款先进的预训练语言模型具备以下核心优势长文本支持原生支持8192 tokens上下文长度轻松处理长文档高效推理采用Rotary Positional Embeddings和Flash Attention技术多任务适配可用于掩码语言模型、文本分类、检索等多种下游任务代码理解在训练数据中融入代码语料特别适合代码检索场景 快速安装步骤1️⃣ 安装Transformers库ModernBERT-base需要Transformers库4.48.0及以上版本支持使用pip命令快速安装pip install -U transformers4.48.02️⃣ 可选安装Flash Attention加速如果你的GPU支持Flash Attention 2可以安装以获得更高效率pip install flash-attn 基础使用指南使用AutoModelForMaskedLM加载模型以下代码展示如何加载模型并进行掩码预测from transformers import AutoTokenizer, AutoModelForMaskedLM model_id answerdotai/ModernBERT-base tokenizer AutoTokenizer.from_pretrained(model_id) model AutoModelForMaskedLM.from_pretrained(model_id) text The capital of France is [MASK]. inputs tokenizer(text, return_tensorspt) outputs model(**inputs) # 获取掩码预测结果 masked_index inputs[input_ids][0].tolist().index(tokenizer.mask_token_id) predicted_token_id outputs.logits[0, masked_index].argmax(axis-1) predicted_token tokenizer.decode(predicted_token_id) print(Predicted token:, predicted_token) # 输出结果: Predicted token: Paris使用Pipeline进行快速推理Transformers的pipeline接口提供了更简洁的使用方式import torch from transformers import pipeline from pprint import pprint pipe pipeline( fill-mask, modelanswerdotai/ModernBERT-base, torch_dtypetorch.bfloat16, ) input_text He walked to the [MASK]. results pipe(input_text) pprint(results)⚠️ 使用注意事项无需token_type_ids与早期BERT模型不同ModernBERT-base不使用token type IDs参数长文本处理虽然支持8192 tokens但完整使用最大上下文长度可能会影响推理速度下游任务适配如需用于分类、检索等任务需按照标准BERT微调流程进行模型微调数据限制模型主要在英文和代码数据上训练其他语言性能可能较低 更多资源模型配置文件config.json分词器配置tokenizer_config.jsonONNX格式模型onnx/完整技术细节arXiv论文 Smarter, Better, Faster, Longer: A Modern Bidirectional Encoder通过以上步骤你已经成功安装并使用ModernBERT-base模型。这款模型不仅继承了BERT的双向编码能力还通过现代架构改进实现了更高效的长文本处理无论是学术研究还是工业应用都能发挥重要作用。现在就开始探索ModernBERT-base的更多可能性吧【免费下载链接】ModernBERT-base项目地址: https://ai.gitcode.com/hf_mirrors/answerdotai/ModernBERT-base创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
