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
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
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
PubMedBERT
1、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
