Характеристики

Контекст: 1 024 токена
Параметры: 253 млн
Лицензия: MIT
Архитектура: bart · dense
Базовая модель: bert_large_xsum_samsum
Опубликована: 7 ноя 2023

Ссылки

Hugging Face

bert_large_xsum_samsum2

alexdg19

Языковая модель

Дообученная на SAMSum модель BART для краткого пересказа текстовых диалогов.

7скачиваний за 30 дней0лайковвеса обновлены7 ноя 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Модель alexdg19/bert_large_xsum_samsum2 — дообученная версия alexdg19/bert_large_xsum_samsum на наборе SAMSum. Это генеративная модель архитектуры BART с 252,8 млн параметров, предназначенная для создания кратких пересказов диалогов. В карточке приведены результаты оценки на тестовой выборке SAMSum: Loss 1,1949, ROUGE-1 0,6112, ROUGE-2 0,3855, ROUGE-L 0,5301 и ROUGE-Lsum 0,5296; средняя длина генерации — около 31 токена.

Модель принимает текст диалога и генерирует его резюме; родная длина контекста составляет 1024 токена. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Карточка не описывает ограничения и дополнительные сценарии применения; приведённые метрики относятся к оценке на SAMSum.

Сценарии применения

составление краткого резюме переписки
извлечение основных итогов группового чата
сжатие диалога до короткой сводки

Ограничения

Оценка приведена на SAMSum, поэтому качество на других типах диалогов не установлено. Контекст ограничен 1024 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert_large_xsum_samsum2

This model is a fine-tuned version of alexdg19/bert_large_xsum_samsum on the samsum dataset. It achieves the following results on the evaluation set:

Loss: 1.1949
Rouge1: 0.6112
Rouge2: 0.3855
Rougel: 0.5301
Rougelsum: 0.5296
Gen Len: 30.5427

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 4
eval_batch_size: 4
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 16
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Rouge1	Rouge2	Rougel	Rougelsum	Gen Len
No log	1.0	41	0.9966	0.6323	0.416	0.5587	0.5598	26.9573
No log	2.0	82	1.0976	0.6279	0.413	0.5569	0.5583	27.8171
No log	3.0	123	1.1576	0.6236	0.4141	0.553	0.5537	29.5183
No log	4.0	164	1.1998	0.6148	0.3948	0.5402	0.541	30.5061
No log	5.0	205	1.1949	0.6112	0.3855	0.5301	0.5296	30.5427

Framework versions

Transformers 4.35.0
Pytorch 2.1.0+cu118
Datasets 2.14.6
Tokenizers 0.14.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры: BartForConditionalGeneration
Ревизия весов: a2fc3b6