mmBERT是一个纯编码器架构的语言模型，在1800多种语言、3万亿tokens的文本上完成了预训练。它的架构设计借鉴了ModernBERT，但又加入了不少创新点，比如逆掩码比率调度和逆温度采样。而且研究团队还把1700多种低资源语言放在了衰减阶段加入训练，这个策略带来了相当不错的效果提升，充分利用了那些数据量本身就不大的语言资源。
模型架构
整体架构和ModernBERT保持一致，但换成了Gemma 2的tokenizer来处理多语言输入。base和small两个版本都用了22层网络，中间维度是1152（这点和ModernBERT-base一样），区别在隐藏层维度上：base是768，small则缩减到384。
从参数量来看，base版本的非嵌入参数跟ModernBERT-base持平，都是110M，但因为词表扩大了，总参数量达到307M。small版本总共140M参数，其中非嵌入部分42M。
训练数据
以往像XLM-R、mT5这些模型里，英文内容占比很低，mT5只有5.7%。但问题是真正高质量的数据（比如过滤过的DCLM）基本都是英文的。所以这次团队提高了英文数据的比例，当然非英语数据仍然占了大头。
非英语部分主要来自FineWeb2，以及它的高质量过滤版本FineWeb2-HQ（覆盖20种语言）。多语言维基百科用的是MegaWika v2，包含60种语言，并且都经过了筛选。英文语料还补充了好几个精选数据集：Dolma里抽取了StarCoder、Stackexchange、Arxiv和PeS2o；Dolmino贡献了数学、筛选过的Stackexchange、Tulu Flan指令数据和书籍；ProLong则提供了代码仓库和教材。
这样一通操作下来，整个数据mix不仅质量更高（得益于DCLM和FineWeb2的过滤），内容类型也更丰富（代码、指令、网页、论文都有），语言和文字覆盖面也更广。
级联退火语言学习（ALL）
Fineweb2数据在训练中的逆温度采样比率变化，τ从0.7降到0.5再到0.3
以前的做法是固定语言集合，用设定好的温度参数采样多语言数据。这次论文作者则换了个思路：训练过程中动态调整温度，同时逐步添加新语言进来，有点像对语言做退火处理。
低资源语言本来预训练数据就少，质量也相对一般（毕竟可筛选的余地不大）。怎么最有效地利用这些语言的数据，同时又不过度重复训练（避免超过5个epoch），还得保证整体数据质量？答案是先从高资源语言起步，训练过程中慢慢加入其他语言。每次加入新语言时重新采样比例，让分布逐渐从偏向高资源转为更均匀。这样既避免了在低资源数据上反复训练，又能让新语言借助已有的语言基础快速学习。
起步阶段用60种语言（外加代码），覆盖了主要的语系和文字。然后扩展到110种，纳入那些数据量还可以的"中等资源"语言（超过2亿tokens）。最后把FineWeb2里的所有语言都加进来，1833种语言、1895个语言-文字组合。温度参数也相应从0.7降到0.5，再降到0.3。最后这步特别关键，利用衰减阶段的学习机制，能让性能快速拉升。
训练流程
训练分三个阶段，跟ModernBERT类似，但掩码率调度方案做了改进。不是简单地在最后降低掩码比例，而是每个阶段都在逐步降低。mmBERT small的权重初始化还用了个技巧，从base版本通过跨步采样来初始化。
基础预训练阶段
这个阶段涵盖梯形学习率的warmup和稳定期，训练了2.3T tokens。学习率和batch size都有warmup过程。数据里没有过滤版的FineWeb2和高质量DCLM，只用60种语言（加代码），掩码率从30%开始。
上下文扩展与中期训练
这时候数据质量提升了，切换到各数据集的高质量过滤版本。RoPE参数调整到能处理8192 tokens（theta设为160k），全局层和局部层都适用。语言数量增加到110种（加代码）。这个阶段训练600B tokens，继续稳定期，掩码率降到15%。
衰减阶段
采用逆平方根学习率调度，衰减100B tokens，最终降到峰值的0.02倍。跟ModernBERT和Ettin不同，这里掩码率选的是5%。用了三种不同的数据配置，产出三个变体：Decay-Eng专注英语、Decay-Cont延续110种语言、Decay-All包含全部1833种FineWeb2语言。
模型合并
合并策略是为了整合各衰减混合的优势。base版本从每个混合里挑最好的checkpoint，用TIES-merging减少参数冲突。small模型跨混合合并效果不理想，可能因为权重空间较小导致参数一致性不够，所以改用Decay-All checkpoints的指数加权合并，这种方案表现最好。
评估结果
测试覆盖了NLU数据集（GLUE、XTREME）、检索基准（英语和多语言MTEB v2、代码检索CoIR）、以及低资源语言评估集（提格雷语TiQuaD、法罗语FoQA）。
对比的baseline包括XLM-R、mGTE、EuroBERT-210m（base规模）、mDistilBERT、Multilingual MiniLM（small规模）、ModernBERT（英语上限参考）和解码器模型Gemma 3 270M。
GLUE英语基准测试结果
XTREME基准测试结果
自然语言理解表现
mmBERT small在英语GLUE上的成绩相当亮眼，平均84.7分，远超MiniLM的78.3，甚至比之前一些base规模的模型还强。mmBERT base虽然训练数据以非英语为主，英语性能还是逼近了ModernBERT（86.3 vs 87.4）。
多语言XTREME上，mmBERT base平均分72.8，超过XLM-R的70.4。分类任务上XNLI得分77.1（XLM-R是74.6），问答任务TyDiQA的F1达到74.5（XLM-R是70.5），提升都挺明显的。
英语检索能力
MTEB v2英语检索测试中，mmBERT模型展现出不小的优势。small版本超过了mGTE和XLM-R，base版本平均53.9分，比mGTE（52.7）高，跟ModernBERT（53.8）基本持平。
多语言检索表现
多语言MTEB v2上，两个mmBERT模型都比同规模对手高出1.5分左右。比如mmBERT base平均54.1，XLM-R是52.4。
代码检索性能
CoIR基准测试中，mmBERT base平均42.2分，远超XLM-R（33.6）这类大规模多语言模型。不过没跑过EuroBERT-210m（45.3），估计是因为EuroBERT用了更高质量的非公开训练数据。
与EuroBERT的对比
即便在EuroBERT的优势语言上，mmBERT base和small在XNLI和PAWS-X上仍然占优。举个例子，阿拉伯语XNLI上mmBERT base得分74.5 F1，EuroBERT只有66.8 F1。
编码器vs解码器
纯编码器的mmBERT模型明显强于同规模的SOTA解码器模型。Gemma 3 270M在XNLI和GLUE上的表现连mmBERT small都不如，再次说明了编码器架构在这类任务上的优势。
不同衰减阶段模型在提格雷语和法罗语上的表现（这两种语言仅在衰减阶段加入）
退火语言学习的效果
衰减阶段加入更多语言，低资源语言性能提升相当显著。采用1833种语言衰减的mmBERT性能提升很快，base版本在提格雷语上涨了68%，法罗语涨了26%。mmBERT base在FoQA上甚至超过了更大规模的模型，包括Google的Gemini 2.5 Pro和OpenAI的o3。模型合并也帮助保持了性能水平。
运行效率
mmBERT模型比以往的多语言编码器模型快得多、效率也高得多。base版本在可变序列上快了2倍多，长上下文快了约4倍。small版本大概是base的2倍速度，也比其他同规模多语言模型快2倍。
更关键的是，mmBERT支持最长8192 tokens，而MiniLM、XLM-R这些老模型只能处理512 tokens。mmBERT处理8192 tokens的速度跟它们处理512 tokens差不多快。这个效率提升主要归功于Flash Attention 2和unpadding技术。
论文信息
mmBERT: A Modern Multilingual Encoder with Annealed Language Learning
https://avoid.overfit.cn/post/a951525907cd4461aff511858297416e
作者：Ritvik Rastogi
