Owl-ph1-base (2048)🦉
このモデルは、ModernBERT アーキテクチャに基づくコード特化型言語モデルです。
既存の事前学習済みモデル（ModernBERT-base など）の重みは使用せず、 8 言語を含む自前のデータセットである, Owl コーパス（約 855 万件の関数ペア）を用いて、 ランダム初期化状態から事前学習（scratch training） を行っています。 学習時の入力長を2048トークンにしたバージョンで，段階1の状態のモデルです
使用方法
このモデルは fill-mask タスクとして直接利用できるほか、
ファインチューニングを行うことで意味的コード検索やコード理解タスクの
ベースモデルとして利用できます。
from transformers import AutoTokenizer, AutoModelForMaskedLM
#MLMモデルとして読み込む場合
tokenizer = AutoTokenizer.from_pretrained("Shuu12121/Owl-ph1-base-len2048")
model = AutoModelForMaskedLM.from_pretrained("Shuu12121/Owl-ph1-base-len2048")
Sentence-Transformersを用いてファインチューニングを行う場合の読み込み方
from sentence_transformers import SentenceTransformer,models
word_embedding_model = models.Transformer("Shuu12121/Owl-ph1-base-len2048")
word_embedding_model.max_seq_length = 2048
#CLSトークンを用いる場合pooling_mode_cls_tokenのみTrue
#平均プーリングを用いる場合 pooling_mode_mean_tokensのみTrue
pooling_model = models.Pooling(
word_embedding_model.get_word_embedding_dimension(),
pooling_mode_cls_token=True,
pooling_mode_mean_tokens=False,
pooling_mode_max_tokens=False,
pooling_mode_weightedmean_tokens=False,
pooling_mode_lasttoken=False,
)
model = SentenceTransformer(modules=[word_embedding_model, pooling_model])
そのほかのモデル