Характеристики

Контекст: 512 токенов
Параметры: 38,5 млн
Лицензия: Apache 2.0
Архитектура: t5 · dense
Базовая модель: t5-small
Библиотека: transformers
Опубликована: 17 окт 2024

Ссылки

Hugging Face

Scientific-Paper-Summarization

GilbertKrantz

Языковая модель

Компактная дообученная модель T5 для создания кратких пересказов научных статей.

12скачиваний за 30 дней1лайквеса обновлены24 окт 2024

Бенчмарки

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

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

GilbertKrantz/Scientific-Paper-Summarization — дообученная на неизвестном наборе данных модель google-t5/t5-small для краткого пересказа научных статей. Она построена на архитектуре T5ForConditionalGeneration и содержит 38,5 млн параметров; максимальная длина контекста — 512 токенов. Модель принимает текст и генерирует текстовое резюме.

В карточке приведены результаты оценки: Loss 3,7936, ROUGE-1 0,1499, ROUGE-2 0,0276, ROUGE-L 0,1159 и ROUGE-Lsum 0,1155. Эти показатели сами по себе не позволяют оценить качество на конкретных статьях. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

составление краткого пересказа научной статьи
быстрое ознакомление с содержанием публикации
подготовка чернового резюме статьи для последующей проверки

Ограничения

Данные обучения не названы, а приведённые метрики ROUGE невысоки; качество пересказов следует проверять на целевых статьях. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Scientific-Paper-Summarization

This model is a fine-tuned version of google-t5/t5-small on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 3.7936
Rouge1: 0.1499
Rouge2: 0.0276
Rougel: 0.1159
Rougelsum: 0.1155
Gen Len: 18.965

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 32
eval_batch_size: 32
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 4
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Rouge1	Rouge2	Rougel	Rougelsum	Gen Len
No log	1.0	63	3.9012	0.1389	0.0232	0.1061	0.1058	19.0
No log	2.0	126	3.8223	0.1479	0.0257	0.1149	0.1146	18.965
No log	3.0	189	3.7987	0.1492	0.0274	0.1159	0.1155	18.965
No log	4.0	252	3.7936	0.1499	0.0276	0.1159	0.1155	18.965

Framework versions

Transformers 4.45.1
Pytorch 2.4.0
Datasets 3.0.1
Tokenizers 0.20.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

У модели не указана задача.

Класс архитектуры: T5ForConditionalGeneration
Ревизия весов: f5b8d99