/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
mvp · dense
Опубликована
2 июн 2022

mtl-data-to-text

Генерация текстаТекст → текст3 профессии

MTL-data-to-text генерирует английские текстовые описания по графам знаний, таблицам и семантическим представлениям.

126скачиваний за 30 дней29лайковвеса обновлены27 июн 2022

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

MTL-data-to-text — модель генерации естественного языка из структурированных данных, представленная авторами работы «MVP: Multi-task Supervised Pre-training for Natural Language Generation». Это вариант Single семейства MVP, обученный на смеси размеченных наборов данных для преобразования данных в текст; архитектура — Transformer encoder-decoder. Модель предназначена для генерации описаний по графам знаний, таблицам и семантическим представлениям (MR), включая сценарии WebNLG, DART, WikiBio, ToTTo и E2E.

Модель принимает текстовое представление структурированных данных и генерирует текст на английском языке. В метаданных указано окно контекста 1024 токена и формат PyTorch. Лицензия — Apache-2.0. Карточка не содержит результатов оценки качества; применимость к структурам и форматам, отличным от обучающих наборов, может быть ограничена.

Сценарии применения

  • генерация предложений по триплетам графа знаний
  • преобразование таблиц биографических данных в текст
  • создание текстового описания по таблице
  • генерация фраз по семантическому MR для диалоговых систем

Ограничения

Модель обучена на конкретных наборах данных для генерации из графов знаний, таблиц и семантических представлений, поэтому качество на иных структурах не установлено. Карточка не приводит оценок качества.

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

MTL-data-to-text

The MTL-data-to-text model was proposed in MVP: Multi-task Supervised Pre-training for Natural Language Generation by Tianyi Tang, Junyi Li, Wayne Xin Zhao and Ji-Rong Wen.

The detailed information and instructions can be found https://github.com/RUCAIBox/MVP.

Model Description

MTL-data-to-text is supervised pre-trained using a mixture of labeled data-to-text datasets. It is a variant (Single) of our main MVP model. It follows a standard Transformer encoder-decoder architecture.

MTL-data-to-text is specially designed for data-to-text generation tasks, such as KG-to-text generation (WebNLG, DART), table-to-text generation (WikiBio, ToTTo) and MR-to-text generation (E2E).

Example

>>> from transformers import MvpTokenizer, MvpForConditionalGeneration

>>> tokenizer = MvpTokenizer.from_pretrained("RUCAIBox/mvp")
>>> model = MvpForConditionalGeneration.from_pretrained("RUCAIBox/mtl-data-to-text")

>>> inputs = tokenizer(
...     "Describe the following data: Iron Man | instance of | Superhero [SEP] Stan Lee | creator | Iron Man",
...     return_tensors="pt",
... )
>>> generated_ids = model.generate(**inputs)
>>> tokenizer.batch_decode(generated_ids, skip_special_tokens=True)
['Iron Man is a fictional superhero appearing in American comic books published by Marvel Comics.']

Related Models

MVP: https://huggingface.co/RUCAIBox/mvp.

Prompt-based models:

Multi-task models:

Citation

@article{tang2022mvp,
  title={MVP: Multi-task Supervised Pre-training for Natural Language Generation},
  author={Tang, Tianyi and Li, Junyi and Zhao, Wayne Xin and Wen, Ji-Rong},
  journal={arXiv preprint arXiv:2206.12131},
  year={2022},
  url={https://arxiv.org/abs/2206.12131},
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Ревизия весов
ed44b68

0 моделей