/ Модель

Характеристики

Контекст
512 токенов
Параметры
124 млн
Лицензия
OpenRAIL
Архитектура
t5 · dense
Базовая модель
t5-base
Библиотека
transformers
Опубликована
17 мар 2023

chatgpt_paraphraser_on_T5_base

Генерация текстаТекст → текст3 профессии

Дообученная на англоязычных парафразах модель T5-base для переформулирования вопросов и текстов.

10 608скачиваний за 30 дней197лайковвеса обновлены26 мар 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

humarin/chatgpt_paraphraser_on_T5_base — модель для перефразирования текста, созданная автором репозитория на основе T5-base с помощью дообучения. Она обучалась на наборе ChatGPT paraphrases, основанном на парафразах вопросов Quora, текстах SQuAD 2.0 и новостях CNN. Модель принимает текст и генерирует его переформулировку, например для изменения формулировки вопроса или предложения.

Модель использует архитектуру T5ForConditionalGeneration, содержит 123,8 млн параметров и имеет контекст 512 токенов. В метаданных указан английский язык и формат text-generation; доступны веса PyTorch и Safetensors. Лицензия — OpenRAIL. Карточка заявляет о качестве парафразирования, сопоставимом с ChatGPT, но независимые подтверждения этой оценки не приведены.

Сценарии применения

  • перефразирование вопросов на английском языке
  • создание альтернативных формулировок предложений
  • генерация вариантов текста для редактирования
  • подготовка парафразов для наборов данных NLP

Ограничения

Контекст ограничен 512 токенами; карточка не приводит независимой оценки качества, и обучение описано для англоязычных данных.

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

This model was trained on our ChatGPT paraphrase dataset.

This dataset is based on the Quora paraphrase question, texts from the SQUAD 2.0 and the CNN news dataset.

This model is based on the T5-base model. We used "transfer learning" to get our model to generate paraphrases as well as ChatGPT. Now we can say that this is one of the best paraphrases of the Hugging Face.

Kaggle link

Author's 1 LinkedIn link Author's 2 LinkedIn link

Deploying example

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

device = "cuda"

tokenizer = AutoTokenizer.from_pretrained("humarin/chatgpt_paraphraser_on_T5_base")

model = AutoModelForSeq2SeqLM.from_pretrained("humarin/chatgpt_paraphraser_on_T5_base").to(device)

def paraphrase(
    question,
    num_beams=5,
    num_beam_groups=5,
    num_return_sequences=5,
    repetition_penalty=10.0,
    diversity_penalty=3.0,
    no_repeat_ngram_size=2,
    temperature=0.7,
    max_length=128
):
    input_ids = tokenizer(
        f'paraphrase: {question}',
        return_tensors="pt", padding="longest",
        max_length=max_length,
        truncation=True,
    ).input_ids.to(device)
    
    outputs = model.generate(
        input_ids, temperature=temperature, repetition_penalty=repetition_penalty,
        num_return_sequences=num_return_sequences, no_repeat_ngram_size=no_repeat_ngram_size,
        num_beams=num_beams, num_beam_groups=num_beam_groups,
        max_length=max_length, diversity_penalty=diversity_penalty
    )

    res = tokenizer.batch_decode(outputs, skip_special_tokens=True)

    return res

Usage examples

Input:

text = 'What are the best places to see in New York?'
paraphrase(text)

Output:

['What are some must-see places in New York?',
 'Can you suggest some must-see spots in New York?',
 'Where should one go to experience the best NYC has to offer?',
 'Which places should I visit in New York?',
 'What are the top destinations to explore in New York?']

Input:

text = "Rammstein's album Mutter was recorded in the south of France in May and June 2000, and mixed in Stockholm in October of that year."
paraphrase(text)

Output:

['In May and June 2000, Rammstein travelled to the south of France to record his album Mutter, which was mixed in Stockholm in October of that year.',
 'The album Mutter by Rammstein was recorded in the south of France during May and June 2000, with mixing taking place in Stockholm in October of that year.',
 'The album Mutter by Rammstein was recorded in the south of France during May and June 2000, with mixing taking place in Stockholm in October of that year. It',
 'Mutter, the album released by Rammstein, was recorded in southern France during May and June 2000, with mixing taking place between October and September.',
 'In May and June 2000, Rammstein recorded his album Mutter in the south of France, with the mix being made at Stockholm during October.']

Train parameters

epochs = 5
batch_size = 64
max_length = 128
lr = 5e-5
batches_qty = 196465
betas = (0.9, 0.999)
eps = 1e-08

BibTeX entry and citation info

@inproceedings{chatgpt_paraphraser,
  author={Vladimir Vorobev, Maxim Kuznetsov},
  title={A paraphrasing model based on ChatGPT paraphrases},
  year={2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
d3ab113

0 моделей