/ Модель
Каталог

Характеристики

Контекст
512 токенов
Параметры
129 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
24 дек 2022

Ссылки

Hugging Face

unilm-base-chinese-news-sum

Yuang
Генерация текстаТекст → текст3 профессии

Китайская модель UniLM для генерации кратких пересказов новостных текстов.

181скачиваний за 30 дней4лайкавеса обновлены24 дек 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.

Открыть конструктор бенчмарка

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

Yuang/unilm-base-chinese-news-sum — китайская модель для суммаризации новостей на базе архитектуры UniLM/BERT с условной генерацией текста. В README указано, что для работы используется совместимый с Hugging Face код UniLM; метаданные указывают 129,5 млн параметров и контекст длиной до 512 токенов.

Модель предназначена для создания краткого пересказа китайских новостных текстов. Доступны веса PyTorch, лицензия Apache-2.0. Подробности о качестве, обучающих данных и дополнительных режимах работы в карточке не приведены.

Сценарии применения

  • суммаризация китайских новостных статей
  • подготовка кратких сводок новостей
  • сокращение длинного новостного текста

Ограничения

Контекст ограничен 512 токенами. Карточка не сообщает метрики качества и подробности обучающих данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделейI.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделейI.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

unilm-base-chinese-news-sum

pip install git+https://github.com/Liadrinz/transformers-unilm  # 安装兼容HuggingFace的UniLM模型代码

from unilm import UniLMTokenizer, UniLMForConditionalGeneration


news_article = (
    "12月23日，河北石家庄。8岁哥哥轻车熟路哄睡弟弟，姿势标准动作熟练。"
    "妈妈杨女士表示：哥哥很喜欢弟弟，因为心思比较细，自己平时带孩子的习惯他都会跟着学习，"
    "哄睡孩子也都会争着来，技巧很娴熟，两人在一块很有爱，自己感到很幸福，平时帮了自己很大的忙，感恩有这么乖的宝宝。"
)

tokenizer = UniLMTokenizer.from_pretrained("Yuang/unilm-base-chinese-news-sum")
model = UniLMForConditionalGeneration.from_pretrained("Yuang/unilm-base-chinese-news-sum")

inputs = tokenizer(news_article, return_tensors="pt")
output_ids = model.generate(**inputs, max_new_tokens=16)
output_text = tokenizer.decode(output_ids[0])
print(output_text)  # "[CLS] <news_article> [SEP] <news_summary> [SEP]"
news_summary = output_text.split("[SEP]")[1].strip()
print(news_summary)

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
UniLMForConditionalGeneration
Ревизия весов
95c7495

0 моделей

    Создать бенчмарк