NLP / 大语言模型 · 2018 · BERT
BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
Jacob Devlin et al.
通过双向掩码预训练学习可迁移的语言表示。
预训练掩码语言模型文本分类
复现空间 · 建议计划
入门 · 权重评估 · 编辑建议，尚未实测
最小实验目标
微调 BERT-base 完成 SST-2 分类，比较冻结编码器与全量微调。
数据集 / 环境
GLUE / SST-2，固定官方划分。
评估项
- Accuracy
- 训练参数量
边界与常见偏差
这是下游适配实验，不是从头复现 BERT 预训练；区分 base / large 与大小写版本。
实验验收协议
- 阅读原文，选定要对齐的具体表格、模型变体与数据划分；把缩小规模或替换组件单独列出。
- 核对作者资源的许可与依赖，锁定代码 commit、权重版本、硬件、随机种子和完整运行命令。
- 先完成数据与推理检查，再执行约定的实验；记录多次运行结果、资源消耗和失败案例。
- 提交可核验的代码、配置、日志与报告。原论文数值须注明表格和协议，当前指标必须附实际运行证据。
实验记录
- 原论文对齐目标
- 待认领后选定具体表格与评估条件
- 社区复现指标
- 暂无已验证结果
暂无实验日志与复现报告。收录此论文不表示社区已完成训练或评估；后续记录通过仓库 Issue 和 Pull Request 补充。