/ Модель

Характеристики

Контекст
1 024 токена
Параметры
457 млн
Лицензия
Apache 2.0
Архитектура
mbart · dense
Опубликована
2 мар 2022

mbart_ru_sum_gazeta

СуммаризацияТекст → текст3 профессии

Русскоязычная модель на архитектуре mBART для создания кратких изложений новостных статей, обученная на датасете Gazeta.

401скачиваний за 30 дней66лайковвеса обновлены16 мар 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.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

IlyaGusev/mbart_ru_sum_gazeta — русскоязычная модель автоматического суммирования новостных статей, портированная из fairseq. Она основана на архитектуре mBART и содержит 457,4 млн параметров; модель принимает текст и генерирует краткое текстовое изложение. Обучение и оценка проводились на новостном датасете Gazeta, с максимальной длиной входа 600 токенов в указанных экспериментах и контекстным окном 1024 токена по метаданным.

Модель предназначена прежде всего для суммирования статей Gazeta.ru. В тестах на версиях датасета Gazeta она показала ROUGE-1 F1 32,4 и 28,7 соответственно. На материалах других изданий возможно ухудшение качества из-за различий домена. Лицензия — Apache-2.0.

Сценарии применения

  • составление краткого содержания статьи Gazeta.ru
  • автоматическое создание новостного дайджеста
  • сокращение длинной русскоязычной новости
  • генерация краткого пересказа новостной статьи

Ограничения

Лучше всего модель работает со статьями Gazeta.ru; на материалах других изданий качество может снижаться из-за сдвига домена. В приведённых экспериментах длина исходного текста ограничивалась 600 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MBARTRuSumGazeta

Model description

This is a ported version of fairseq model.

For more details, please see Dataset for Automatic Summarization of Russian News.

Intended uses & limitations

How to use

Colab: link

from transformers import MBartTokenizer, MBartForConditionalGeneration

model_name = "IlyaGusev/mbart_ru_sum_gazeta"
tokenizer = MBartTokenizer.from_pretrained(model_name)
model = MBartForConditionalGeneration.from_pretrained(model_name)

article_text = "..."

input_ids = tokenizer(
    [article_text],
    max_length=600,
    padding="max_length",
    truncation=True,
    return_tensors="pt",
)["input_ids"]

output_ids = model.generate(
    input_ids=input_ids,
    no_repeat_ngram_size=4
)[0]

summary = tokenizer.decode(output_ids, skip_special_tokens=True)
print(summary)

Limitations and bias

  • The model should work well with Gazeta.ru articles, but for any other agencies it can suffer from domain shift

Training data

Training procedure

Eval results

  • Train dataset: Gazeta v1 train
  • Test dataset: Gazeta v1 test
  • Source max_length: 600
  • Target max_length: 200
  • no_repeat_ngram_size: 4
  • num_beams: 5
ModelR-1-fR-2-fR-L-fchrFMETEORBLEUAvg char length
mbart_ru_sum_gazeta32.414.328.039.726.412.1371
rut5_base_sum_gazeta32.214.428.139.825.712.3330
rugpt3medium_sum_gazeta26.27.721.733.818.24.3244
  • Train dataset: Gazeta v1 train
  • Test dataset: Gazeta v2 test
  • Source max_length: 600
  • Target max_length: 200
  • no_repeat_ngram_size: 4
  • num_beams: 5
ModelR-1-fR-2-fR-L-fchrFMETEORBLEUAvg char length
mbart_ru_sum_gazeta28.711.124.437.322.79.4373
rut5_base_sum_gazeta28.611.124.537.222.09.4331
rugpt3medium_sum_gazeta24.16.519.832.116.33.6242

Predicting all summaries:

import json
import torch
from transformers import MBartTokenizer, MBartForConditionalGeneration
from datasets import load_dataset


def gen_batch(inputs, batch_size):
    batch_start = 0
    while batch_start < len(inputs):
        yield inputs[batch_start: batch_start + batch_size]
        batch_start += batch_size


def predict(
    model_name,
    input_records,
    output_file,
    max_source_tokens_count=600,
    batch_size=4
):
    device = "cuda" if torch.cuda.is_available() else "cpu"
    
    tokenizer = MBartTokenizer.from_pretrained(model_name)
    model = MBartForConditionalGeneration.from_pretrained(model_name).to(device)
    
    predictions = []
    for batch in gen_batch(inputs, batch_size):
        texts = [r["text"] for r in batch]
        input_ids = tokenizer(
            batch,
            return_tensors="pt",
            padding="max_length",
            truncation=True,
            max_length=max_source_tokens_count
        )["input_ids"].to(device)
        
        output_ids = model.generate(
            input_ids=input_ids,
            no_repeat_ngram_size=4
        )
        summaries = tokenizer.batch_decode(output_ids, skip_special_tokens=True)
        for s in summaries:
            print(s)
        predictions.extend(summaries)
    with open(output_file, "w") as w:
        for p in predictions:
            w.write(p.strip().replace("\n", " ") + "\n")

gazeta_test = load_dataset('IlyaGusev/gazeta', script_version="v1.0")["test"]
predict("IlyaGusev/mbart_ru_sum_gazeta", list(gazeta_test), "mbart_predictions.txt")

Evaluation: https://github.com/IlyaGusev/summarus/blob/master/evaluate.py

Flags: --language ru --tokenize-after --lower

BibTeX entry and citation info

@InProceedings{10.1007/978-3-030-59082-6_9,
    author="Gusev, Ilya",
    editor="Filchenkov, Andrey and Kauttonen, Janne and Pivovarova, Lidia",
    title="Dataset for Automatic Summarization of Russian News",
    booktitle="Artificial Intelligence and Natural Language",
    year="2020",
    publisher="Springer International Publishing",
    address="Cham",
    pages="122--134",
    isbn="978-3-030-59082-6"
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MBartForConditionalGeneration
Ревизия весов
7b93ddd

0 моделей