☀️ Summer – Thai Text Summarization AI

Summer is a state‑of‑the‑art Thai text summarization model fine‑tuned from facebook/mbart-large-50 to generate concise, coherent, and context‑aware summaries of Thai‑language content.
It is designed to condense lengthy news articles, reports, and documents while preserving key information and maintaining natural linguistic flow.

✨ Features

• 🇹🇭 Native Thai text summarization
• 🔥 Fine‑tuned specifically for Thai linguistic patterns
• 📝 Generates fluent, readable, and information‑dense summaries
• ⚡ Optimised for both local and production inference
• 🧠 Built on mBART's powerful multilingual backbone
• 💡 Handles both short and long‑form Thai texts (up to 1024 tokens)

📋 Model Details

🎯 Intended Use

This model is optimised for:

• Thai news article summarisation
• Condensing reports and long‑form documents
• Digest creation for social media and blogs
• Academic paper summarisation (Thai)
• Chatbot response generation
• Content curation and rapid information extraction

🐍 Inference Code

The following code is the recommended way to use Summer. It gives you full control over generation parameters and ensures correct handling of Thai language tokens.

import torch
from transformers import AutoTokenizer, MBartForConditionalGeneration

# 1. Configuration
MODEL_NAME = "KordAI/summer"
THAI_LANG_CODE = "th_TH"

print(f"Loading model and tokenizer from {MODEL_NAME}...")

# Load tokenizer and explicitly enforce Thai language tokens
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
tokenizer.src_lang = THAI_LANG_CODE
tokenizer.tgt_lang = THAI_LANG_CODE

# Load the merged model weights
device = "cuda" if torch.cuda.is_available() else "cpu"
model = MBartForConditionalGeneration.from_pretrained(
    MODEL_NAME,
    torch_dtype=torch.float16 if device == "cuda" else torch.float32
).to(device)

# 2. Input Thai Text
thai_article = (
    "กรมอุตุนิยมวิทยา ร่วมกับสถาบันวิจัยสภาวะแวดล้อม ได้เปิดเผยรายงานดัชนีความร้อนสะสมและสถานการณ์ "
    "เอลนีโญที่มีแนวโน้มรุนแรงขึ้นอย่างต่อเนื่องในภูมิภาคเอเชียตะวันออกเฉียงใต้ โดยส่งผลกระทบโดยตรงต่อ "
    "ปริมาณน้ำฝนเฉลี่ยในประเทศไทยที่ลดต่ำลงกว่าเกณฑ์ปกติถึงร้อยละ 15 ในช่วงต้นปีที่ผ่านมา ส่งผลให้ "
    "เขื่อนหลักในภาคเหนือและภาคกลาง อาทิ เขื่อนภูมิพลและเขื่อนสิริกิต์ มีปริมาณน้ำใช้การได้จริงเหลือเพียง "
    "ประมาณร้อยละ 30 ของความจุเท่านั้น ซึ่งถือเป็นระดับวิกฤตที่ต้องเฝ้าระวังอย่างใกล้ชิด "
    "นักวิชาการด้านสิ่งแวดล้อมเตือนว่า ปรากฏการณ์นี้จะไม่เพียงแต่ส่งผลกระทบต่อภาคการเกษตรและการเพาะปลูก "
    "ข้าวนาปรังเท่านั้น แต่ยังส่งผลกระทบต่อเนื่องไปถึงระบบนิเวศชายฝั่ง เนื่องจากปริมาณน้ำจืดที่ไหลลงสู่ "
    "อ่าวไทยมีปริมาณลดลง ทำให้เกิดปัญหาป่าชายเลนเสื่อมโทรมและน้ำเค็มรุกคืบเข้าสู่พื้นที่เกษตรกรรมในแถบ "
    "สมุทรปราการและฉะเชิงเทรา รัฐบาลจึงเตรียมประกาศมาตรการขอความร่วมมือจากทุกภาคส่วนให้ช่วยกันประหยัดน้ำ "
    "และปรับเปลี่ยนพฤติกรรมการใช้น้ำ รวมถึงวางแผนระบบการจัดสรรน้ำแบบขั้นบันไดเพื่อสำรองน้ำไว้ใช้ในการ "
    "อุปโภคบริโภคที่จำเป็นตลอดช่วงฤดูแล้งนี้"
)

print("\n--- Input Article ---")
print(thai_article)

# 3. Tokenize input text
inputs = tokenizer(
    thai_article, 
    return_tensors="pt", 
    max_length=1024, 
    truncation=True
).to(device)

# 4. Generate Summary
print("\nGenerating summary...")
with torch.no_grad():
    summary_ids = model.generate(
        inputs["input_ids"],
        attention_mask=inputs["attention_mask"],
        max_length=512,
        num_beams=4,
        no_repeat_ngram_size=3,
        early_stopping=True,
        # Force mBART to start generating with the Thai language token identifier
        forced_bos_token_id=tokenizer.lang_code_to_id[THAI_LANG_CODE]
    )

# 5. Decode and Print Output
summary_text = tokenizer.decode(summary_ids[0], skip_special_tokens=True)

print("\n--- Generated Summary ---")
print(summary_text)

🏋️ Training

This model is fine‑tuned from facebook/mbart-large-50 using supervised instruction tuning on a curated, large‑scale Thai summarisation corpus.

Training Details

• Framework: Transformers + PyTorch
• Dataset: pythainlp/thaisum
• Optimisation: AdamW with linear warmup
• Training Objective: Sequence‑to‑sequence summarisation
• Language: Thai (th_TH)

During training, the model learns to:

1. Identify salient information in Thai text
2. Maintain grammatical and stylistic consistency
3. Generate fluent, natural summaries
4. Preserve essential context and meaning without redundancy

⚠️ Limitations

• Summary length: Output length may occasionally deviate from desired bounds.
• Domain specificity: Performance may degrade on highly technical, legal, or medical texts.
• Factual accuracy: As with any generative model, occasional hallucinations or misrepresentations may occur.
• Processing speed: The mBART architecture is heavier than smaller distilled models.
• Ambiguous content: Poetic, ironic, or highly ambiguous Thai text may be challenging.
• Proper nouns: Rare or newly‑coined terms may require manual verification.

🔍 Performance Tips

• Input length: Keep inputs under 1024 tokens (approx. 500–700 Thai words).
• Beam search: Use num_beams=4–8 for improved quality.
• Length control: Adjust min_length and max_length based on your use case.
• Temperature: For more deterministic outputs, keep temperature low (<1.0).
• No repeat n‑gram: Set no_repeat_ngram_size=3 to avoid repetition.
• Early stopping: Enable for faster generation without quality loss.

🙏 Acknowledgements

Special thanks to:

• Facebook AI for the mbart-large-50 base model
• KordAI for developing and fine‑tuning the summarisation model
• Unsloth for enabling efficient supervised fine‑tuning
• Hugging Face for the Transformers ecosystem
• The open‑source AI community for advancing multilingual NLP

📖 Citation

@misc{summer2026,
  title={Summer – Thai Text Summarization AI},
  author={KordAI},
  year={2026},
  publisher={Hugging Face},
  howpublished={https://huggingface.co/KordAI/summer}
}

📬 Contact

For questions, feedback, or collaboration opportunities:

• KordAI Team: naphon.jang@kmutt.ac.th
• Hugging Face: KordAI/summer