/ 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

lv_summariser

СуммаризацияТекст → текст7 профессий

Экспериментальная модель Rahvusarhiiv на базе mBART-50 для суммаризации латышских новостей, правовых, энциклопедических и академических текстов.

23скачиваний 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 для суммаризации текстов на латышском языке, дообучив mBART-50 `facebook/mbart-large-50-many-to-many-mmt`. Это последовательная модель типа encoder-decoder на базе MBART; репозиторий содержит веса Safetensors. Её применяют для краткого пересказа новостей, юридических и административных материалов, энциклопедических текстов и академических публикаций, в том числе в пакетной обработке и retrieval-assisted сценариях с проверкой результата.

Вторая версия обучена на 30 000 примерах, преимущественно на латышских новостях, с меньшими долями юридических и академических текстов. В сравнительных оценках она улучшила результаты на двух новостных наборах и точность опоры на исходный текст, но стала короче пересказывать энциклопедические материалы. Метаданные указывают контекст до 1024 токенов; в карточке для рекомендуемой генерации приведены 768 входных токенов и до 512 новых токенов. Лицензия обозначена как `other`.

Модель может галлюцинировать или обобщать детали, особенно для длинных и недостаточно конкретных входов; имена, числа, даты и юридические ссылки нужно сверять с источником. Она может пропускать второстепенные сведения, а гарантированного управления длиной резюме нет. Для публикации и решений с существенными последствиями необходима проверка человеком.

Сценарии применения

  • краткий пересказ латышских новостных статей
  • суммаризация латышских юридических и административных документов
  • составление резюме энциклопедических материалов на латышском языке
  • суммаризация латышских академических публикаций
  • пакетная обработка текстов с последующей проверкой источника

Ограничения

Модель может галлюцинировать, чрезмерно обобщать и пропускать второстепенные детали; имена, числа, даты и ссылки следует проверять по исходному тексту. Для энциклопедических материалов возможна слишком краткая сводка, а гарантированного управления длиной нет.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Latvian summariser

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

The default branch contains revision 2, published in July 2026. The previously released checkpoint is preserved under the v1 tag. Revision 2 improves supported-news and recent-news summarization, source grounding, and removal of learned EU legal boilerplate, while producing shorter encyclopedic summaries.

This is a research release. It is not claimed to be state of the art; evaluate it on the target domain before production use.

Intended Use

  • Summarization of Latvian 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/lv_summariser"
language_code = "lv_LV"
text = "Latvijas pētnieki paziņoja par jaunu projektu, kura mērķis ir uzlabot digitālo arhīvu pieejamību. Projekts paredz sadarboties ar bibliotēkām, universitātēm un valsts institūcijām."

tokenizer = AutoTokenizer.from_pretrained(repo_id, src_lang=language_code)
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(language_code)
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])

convert_tokens_to_ids is used deliberately. Current Transformers releases may load the tokenizer as TokenizersBackend, which does not expose the older tokenizer-specific lang_code_to_id attribute.

Recommended Generation Settings

  • max_input_tokens: 768
  • max_new_tokens: 512
  • num_beams: 4
  • length_penalty: 1.0
  • no_repeat_ngram_size: 3

These are the settings used for the revision-2 comparison evaluation.

Training Data

Revision 2 was trained on 30,000 balanced examples after protected-benchmark exclusion:

familytraining rowsshare
Latvian news27,18090.6%
EU legal2,4128.0%
Academic/thesis4081.4%

The sources include:

  • 27,143 accepted articles from the locally collected LSM archive and 37 additional LSM/Delfi RSS examples.
  • 2,412 cleaned dennlinger/eur-lex-sum examples. FMISummarization/FMI_Summarization was used to recover supporting source acts and select evidence; it was not added as duplicate sampling mass.
  • 408 Latvian academic OAI abstract/full-text pairs collected from Latvian university journal repositories.

Legal targets underwent more aggressive summary-section extraction and boilerplate filtering. Long inputs use source-span evidence selection. The build excluded protected Wiki4, GDELT, and supported-news benchmark overlap using IDs, normalized URLs, exact source/summary/pair hashes, and shared token shingles.

Training metadata:

  • Base model: facebook/mbart-large-50-many-to-many-mmt
  • Training rows: 30,000
  • Validation rows: 708
  • Max source tokens: 768
  • Max target tokens: 384
  • Seed: 20260713

Evaluation

Automatic evaluation used 100 examples per benchmark with the same decoding settings for revision 1 and revision 2.

benchmarkROUGE-LROUGE-1ROUGE-2ref coveragesrc precisionwordsrepeat 4glegalesemax hit
Strict Wiki40.3130.3470.2510.2910.86428.70.0000.0000.000
Recent GDELT news0.2020.2400.1040.2170.81321.00.0000.0000.000
Held-out supported news0.2840.3310.1760.2840.81624.40.0000.0000.000

Revision 1 Comparison

benchmarkv1 ROUGE-Lv2 ROUGE-Lv1 src precisionv2 src precision
Strict Wiki40.3870.3130.7870.864
Recent GDELT news0.1600.2020.7980.813
Held-out supported news0.1540.2840.7790.816

A local gemma4:31b Ollama judge evaluated five paired random examples per benchmark. This small comparative sample is not an absolute quality estimate.

benchmarkv1 factualityv2 factualityv1 coveragev2 coveragev1 overallv2 overall
Strict Wiki43.203.802.202.202.602.60
Recent GDELT news3.002.801.802.802.002.40
Held-out supported news2.203.201.802.401.602.60

Revision 2 was selected because it improved both automatic and judge results on the two news benchmarks, increased source precision in all three domains, and removed detected legalese artifacts. Wiki4 ROUGE and reference coverage declined because the new model produces shorter encyclopedic summaries; this is a known tradeoff rather than a universal improvement.

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.
  • Revision 2 can under-summarize broad encyclopedic inputs and omit secondary points.
  • Summary length control was present in parts of training, but this release does not expose a guaranteed length-control interface.
  • Title-like opening phrases can still occur; the Wiki4 duplicate-title-prefix flag was 0.09 in this evaluation.
  • The training data mixes sources with different writing styles and upstream terms; users are responsible for checking suitability for their use case.

Bias, Risks, and Ethical Considerations

The model reflects the distributions and editorial choices of its source corpora. Its revision-2 mix is heavily weighted toward Latvian public-broadcaster news, so its style and topic distribution are not representative of all Latvian writing. It may reproduce biases present in news, legal, and academic sources. 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.
  • Previous release: v1

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
1462ce3

0 моделей