Характеристики

Параметры: 157 млн
Лицензия: Apache 2.0
Архитектура: mt5 · dense
Базовая модель: mt5-small
Опубликована: 4 сен 2023

Ссылки

Hugging Face

en_bn_summarize_v1

mHossain

Языковая модель4 профессии

Дообученная модель mT5-small для суммаризации текстов на английском и бенгальском языках.

11скачиваний за 30 дней0лайковвеса обновлены5 сен 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

mHossain/en_bn_summarize_v1 — дообученная на неизвестном наборе данных модель Google mT5-small для суммаризации на английском и бенгальском языках. Она построена на архитектуре encoder-decoder MT5ForConditionalGeneration и содержит около 157,4 млн параметров. Модель принимает текст и генерирует его краткое изложение; репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

В карточке приведены результаты оценки: loss 2,9948, а значения ROUGE-1, ROUGE-2, ROUGE-L и ROUGE-Lsum равны 0,0. Эти результаты не подтверждают качество суммаризации, поэтому модель следует оценивать на собственных примерах перед применением.

Сценарии применения

Составление краткого пересказа английской статьи
Суммаризация текста на бенгальском языке
Подготовка черновика краткого изложения документа

Ограничения

Набор данных для дообучения неизвестен. В карточке указаны нулевые значения ROUGE на оценочном наборе, поэтому качество модели не подтверждено.

Для каких профессий подходит4

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 938моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

en_bn_summarize_v1

This model is a fine-tuned version of google/mt5-small on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 2.9948
Rouge1: 0.0
Rouge2: 0.0
Rougel: 0.0
Rougelsum: 0.0
Gen Len: 18.323

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: 2
eval_batch_size: 2
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 5000
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Gen Len
27.0008	1.0	615	19.6292	5.5342
22.3588	2.0	1230	12.9038	6.6335
16.0103	3.0	1845	4.3199	18.3851
8.0443	4.0	2460	3.6049	12.6025
4.7815	5.0	3075	3.3718	16.5839
4.5186	6.0	3690	3.2383	17.3602
4.345	7.0	4305	3.1175	18.2236
4.1762	8.0	4920	3.0548	18.0373
3.9419	9.0	5535	3.0028	18.354
3.8654	10.0	6150	2.9948	18.323

Framework versions

Transformers 4.33.0
Pytorch 2.0.1+cu118
Datasets 2.14.4
Tokenizers 0.13.3

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: MT5ForConditionalGeneration
Ревизия весов: fba58c9