今年大语言模型的迅速发展导致像bert这样的模型现在被称为“小”模型。在kaggle的llm科学考试比赛中，使用deberta的选手获得了第四名，这是一个非常出色的成绩。因此，在特定领域或需求中，并不一定需要大型语言模型作为最佳解决方案，小型模型也有其用武之地。因此，今天我们要介绍的是pubmedbert，它是微软研究院于2022年在acm上发布的一篇论文，该模型通过使用特定领域的语料库进行bert的从头预训练
以下是论文的主要要点：
对于具有大量未标记文本的特定领域，例如生物医学领域，从头开始预训练语言模型比持续预训练通用领域语言模型效果显著。为此，我们提出了生物医学语言理解与推理基准（blurb），用于特定领域的预训练
pubmedbert1、特定领域pretraining
研究表明，从头开始的特定领域预训练大大优于通用语言模型的持续预训练，从而表明支持混合领域预训练的主流假设并不总是适用。
2、模型利用bert模型，对于掩码语言模型(mlm)，全词屏蔽(wwm)的要求是必须屏蔽整个词
3、blurb数据集
据作者介绍，blue[45]是在生物医学领域创建nlp基准的第一次尝试。但blue的覆盖范围有限。针对基于pubmed的生物医学应用，作者提出了生物医学语言理解与推理基准(blurb)。
pubmedbert使用更大的特定领域语料库(21gb)。
结果展示
在大多数生物医学自然语言处理（nlp）任务中，pubmedbert一直表现优于其他所有bert模型，并且通常具有明显的优势
以上就是生物医学nlp领域的特定预训练模型：pubmedbert的详细内容。