/ Модель

Характеристики

Контекст
1 024 токена
Параметры
124 млн
Архитектура
t5 · dense
Опубликована
2 мар 2022

t5-base-indonesian-summarization-cased

СуммаризацияТекст → текст3 профессии

Дообученная модель T5 Base для создания кратких изложений индонезийских текстов.

10 730скачиваний за 30 дней6лайковвеса обновлены19 ноя 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

Это дообученная модель T5 Base от автора cahya, предназначенная для суммаризации текстов на индонезийском языке. В качестве основы использована модель huseinzol05/t5-base-bahasa-summarization-cased, а дообучение выполнено на наборе данных id_liputan6.

Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает текст, выдавая текстовое резюме. Контекст составляет до 1024 токенов. Репозиторий предоставляет веса в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

Сценарии применения

  • суммаризация индонезийских новостных статей
  • создание кратких изложений текстов на индонезийском языке
  • подготовка коротких версий материалов Liputan6

Ограничения

Модель ориентирована на индонезийский язык и контекст до 1024 токенов; качество для других языков и более длинных текстов не подтверждено. Условия лицензии в доступных источниках не приведены.

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

Indonesian T5 Summarization Base Model

Finetuned T5 base summarization model for Indonesian.

Finetuning Corpus

t5-base-indonesian-summarization-cased model is based on t5-base-bahasa-summarization-cased by huseinzol05, finetuned using id_liputan6 dataset.

Load Finetuned Model

from transformers import T5Tokenizer, T5Model, T5ForConditionalGeneration

tokenizer = T5Tokenizer.from_pretrained("cahya/t5-base-indonesian-summarization-cased")
model = T5ForConditionalGeneration.from_pretrained("cahya/t5-base-indonesian-summarization-cased")

Code Sample

from transformers import T5Tokenizer, T5ForConditionalGeneration

tokenizer = T5Tokenizer.from_pretrained("cahya/t5-base-indonesian-summarization-cased")
model = T5ForConditionalGeneration.from_pretrained("cahya/t5-base-indonesian-summarization-cased")

# 
ARTICLE_TO_SUMMARIZE = ""

# generate summary
input_ids = tokenizer.encode(ARTICLE_TO_SUMMARIZE, return_tensors='pt')
summary_ids = model.generate(input_ids,
            min_length=20,
            max_length=80,
            num_beams=10,
            repetition_penalty=2.5,
            length_penalty=1.0,
            early_stopping=True,
            no_repeat_ngram_size=2,
            use_cache=True,
            do_sample = True,
            temperature = 0.8,
            top_k = 50,
            top_p = 0.95)

summary_text = tokenizer.decode(summary_ids[0], skip_special_tokens=True)
print(summary_text)

Output:

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
6db5daf

0 моделей