/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Своя лицензия
Архитектура
mbart · dense
Базовая модель
mbart-large-50-many-to-many-mmt
Библиотека
transformers
Опубликована
13 июл 2026

et_summariser

СуммаризацияТекст → текст

Экспериментальная модель Rahvusarhiiv суммирует эстонские новости, юридические, административные, энциклопедические и академические тексты.

14скачиваний за 30 дней0лайковвеса обновлены20 июл 2026

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

Rahvusarhiiv разработал экспериментальную модель суммаризации текстов на эстонском языке, дообучив mBART-50 many-to-many для перевода на корпусах новостей, длинных текстов, юридических и административных материалов. Модель подходит для пакетной обработки, офлайн-суммаризации, оценки и сценариев с поиском по источникам, где результаты проверяет человек.

Это плотная encoder-decoder модель класса MBartForConditionalGeneration, работающая с текстом и распространяемая в формате safetensors. В метаданных указан контекст до 1024 токенов; при обучении максимальная длина входа составляла 768 токенов, а целевого текста — 512. Лицензия обозначена как other, поэтому условия использования следует проверить на странице модели и базового чекпойнта.

Модель может обобщать или выдумывать детали, особенно на длинных или неполных входах. Имена, числа, даты и юридические ссылки требуют сверки с источником; качество следует оценить на целевом наборе текстов до применения.

Сценарии применения

  • суммаризация эстонских новостных статей
  • сжатие длинных эстонских документов
  • подготовка кратких обзоров юридических и административных текстов
  • создание черновых аннотаций к энциклопедическим и академическим материалам
  • пакетная офлайн-суммаризация эстонских архивных материалов

Ограничения

Модель может галлюцинировать или чрезмерно обобщать, особенно на длинных и недостаточно определённых входах; имена, числа, даты и юридические ссылки нужно проверять. Это экспериментальный выпуск: качество следует оценить на целевых данных, а публикационные и значимые решения требуют человеческой проверки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Estonian summariser

Rahvusarhiiv/et_summariser is an experimental Estonian summarization model fine-tuned from facebook/mbart-large-50-many-to-many-mmt.

This is a research release. It is not claimed to be state of the art; the model should be evaluated for the target domain before production use.

Intended Use

  • Summarization of Estonian news, legal/administrative, encyclopedic, or academic-style text.
  • Batch/offline summarization, evaluation, and retrieval-assisted workflows where outputs can be checked.
  • Not intended as a sole source of factual truth, legal advice, medical advice, or archival description without human review.

How to Use

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

repo_id = "Rahvusarhiiv/et_summariser"
text = "Riigikogu arutas täna riigieelarve muudatusi. Valitsuse esindajad rõhutasid vajadust hoida kulud kontrolli all, opositsioon aga kritiseeris kärbete mõju haridusele ja kohalikele omavalitsustele."

tokenizer = AutoTokenizer.from_pretrained(repo_id, src_lang="et_EE")
model = AutoModelForSeq2SeqLM.from_pretrained(repo_id)

inputs = tokenizer(text, return_tensors="pt", truncation=True, max_length=768)
language_token_id = tokenizer.convert_tokens_to_ids("et_EE")
summary_ids = model.generate(
    **inputs,
    forced_bos_token_id=language_token_id,
    max_new_tokens=512, num_beams=4, no_repeat_ngram_size=3,
)
print(tokenizer.batch_decode(summary_ids, skip_special_tokens=True)[0])

Recommended Generation Settings

  • max_new_tokens: 512
  • num_beams: 4
  • no_repeat_ngram_size: 3

Training Data

Fine-tuned from mBART-50 on cleaned Estonian summarization data, including ERR-style news, LongSum-style long-form examples, and Estonian EurLex/legal material. Grounding filters, metadata dropout, and evidence selection were used during preprocessing.

  • Estonian news and long-form summarization corpora prepared locally.
  • Estonian EurLex/legal examples after boilerplate filtering.
  • Held-out Wiki4 and GDELT-style news evaluations were not used for training.

Known public Hub datasets used or partially used where applicable:

  • No public Hub dataset metadata is declared for local-only collected datasets.

Training metadata:

  • Base/initial model recorded by trainer: facebook/mbart-large-50-many-to-many-mmt
  • Train rows: 23996
  • Validation rows: 1000
  • Max source tokens: 768
  • Max target tokens: 512
  • Seed: 20260611

Evaluation

benchmarknROUGE-LROUGE-1ROUGE-2ref coveragesrc precisionjudge factualityjudge coveragejudge overallwordsrepeat 4glegalesemax hit
Wiki4 strict v2 LLM judge1003.013.332.73
Wiki4 broad LLM judge2003.022.422.33
Wiki4 final automatic1000.2940.3510.2010.3870.75162.40.00000.00000.0000
GDELT final automatic1000.1690.2120.0750.2570.80547.50.00000.00000.0000

The automatic metrics include ROUGE, coverage proxies, repetition and artifact checks. The judge metrics use a local Ollama LLM judge on sampled examples and should be treated as comparative, not absolute.

Limitations and Failure Modes

  • The model can hallucinate or over-generalize details, especially when the input is long or under-specified.
  • Named entities, numbers, dates, and legal references should be verified against the source.
  • Some evaluation datasets reward lead-like summaries; performance may differ on non-news or conversational text.
  • The training data mixes sources with different writing styles and upstream terms; users are responsible for checking suitability for their use case.
  • Qualitative review still found occasional unsupported details, so factual verification is recommended for publication workflows.

Bias, Risks, and Ethical Considerations

The model reflects the distributions and editorial choices of its source corpora. It may reproduce biases present in news, legal, academic, or synthetic summaries. Human review is recommended for public-facing summaries and high-impact decisions.

CO2 Emissions

Training emissions were not instrumented with CodeCarbon or an equivalent tracker. No numeric CO2 estimate is reported. Training was local fine-tuning of an mBART-50 checkpoint rather than pretraining from scratch.

Model Tree

  • Base model: facebook/mbart-large-50-many-to-many-mmt
  • Relationship: fine-tuned sequence-to-sequence summarization checkpoint.

License

The model card uses license: other because the training mix contains multiple upstream data sources with different terms. Treat this as a research-use release and verify upstream data/license constraints before redistribution or commercial use.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MBartForConditionalGeneration
Ревизия весов
3d36e3b

0 моделей