Характеристики

Параметры: 124 млн
Архитектура: t5 · dense
Базовая модель: it5-base
Опубликована: 2 мар 2022

Ссылки

Hugging Face

it5-summarization-ilpost

ARTeLab

СуммаризацияТекст → текст3 профессии

Дообученная на итальянских статьях IlPost модель T5 для создания кратких абстрактивных изложений.

95скачиваний за 30 дней2лайкавеса обновлены12 сен 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ARTeLab/it5-summarization-ilpost — итальянская модель семейства T5, разработанная ARTeLab путём дообучения gsarti/it5-base на наборе статей IlPost для абстрактивного суммирования. Она создаёт краткое изложение текста и подходит для автоматического составления выжимок из новостных статей на итальянском языке. Модель содержит 123,7 млн параметров; в репозитории доступны веса PyTorch и safetensors.

В карточке приведены метрики оценки: ROUGE-1 33,78, ROUGE-2 16,30, ROUGE-L 27,48 и ROUGE-Lsum 30,23. Для запуска можно использовать Transformers с T5Tokenizer и T5ForConditionalGeneration. Лицензия в предоставленных данных не указана.

Сценарии применения

составление кратких выжимок из статей IlPost
суммирование новостных текстов на итальянском языке
создание краткого пересказа длинной итальянской статьи

Ограничения

Дообучение ориентировано на корпус IlPost, поэтому качество на других жанрах и тематиках может отличаться. Приведённые метрики не гарантируют качество для конкретного текста.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

summarization_ilpost

This model is a fine-tuned version of gsarti/it5-base on IlPost dataset for Abstractive Summarization.

It achieves the following results:

Loss: 1.6020
Rouge1: 33.7802
Rouge2: 16.2953
Rougel: 27.4797
Rougelsum: 30.2273
Gen Len: 45.3175

Usage

from transformers import T5Tokenizer, T5ForConditionalGeneration
tokenizer = T5Tokenizer.from_pretrained("ARTeLab/it5-summarization-ilpost")
model = T5ForConditionalGeneration.from_pretrained("ARTeLab/it5-summarization-ilpost")

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 6
eval_batch_size: 6
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 4.0

Framework versions

Transformers 4.12.0.dev0
Pytorch 1.9.1+cu102
Datasets 1.12.1
Tokenizers 0.10.3

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: T5ForConditionalGeneration
Ревизия весов: 1d02f91