/ Модель

Характеристики

Контекст
1 024 токена
Параметры
95,2 млн
Архитектура
bart · dense
Базовая модель
SummarEaseElementaryV3
Опубликована
17 июл 2024

SummarEaseElementaryV4

Языковая модель3 профессии

Дообученная BART-модель для экспериментов с преобразованием и предположительно упрощённым суммированием текста.

10скачиваний за 30 дней0лайковвеса обновлены17 июл 2024

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

SummarEaseElementaryV4 — дообученная модель notBanana на основе notBanana/SummarEaseElementaryV3. Это BART-модель для преобразования текста с 95,2 млн параметров и контекстом до 1024 токенов; веса доступны в формате safetensors. По описанию базовой модели она предназначена предположительно для упрощённого суммирования текста. В README приведены результаты оценки: Loss 2,2757, ROUGE-1 0,1334, ROUGE-2 0,0545 и ROUGE-L 0,115.

Модель можно рассматривать для экспериментов с упрощением и суммированием текста. Датасет, подробные сценарии применения, языки и условия лицензирования в предоставленных источниках не описаны.

Сценарии применения

  • эксперименты с упрощённым суммированием текста
  • сжатие текстового фрагмента в краткое изложение

Ограничения

README не раскрывает обучающие данные, языки, условия использования и конкретные ограничения модели. Приведённые метрики ROUGE невысоки, поэтому качество следует оценивать на целевых 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

SummarEaseElementaryV4

This model is a fine-tuned version of notBanana/SummarEaseElementaryV3 on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 2.2757
  • Rouge1: 0.1334
  • Rouge2: 0.0545
  • Rougel: 0.115
  • Rougelsum: 0.1147
  • Gen Len: 20.0

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: 16
  • total_train_batch_size: 64
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 4
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossRouge1Rouge2RougelRougelsumGen Len
No log1.012.27870.12590.05210.10930.109820.0
No log2.022.26860.1250.04820.10550.10620.0
No log3.032.27180.12810.04820.10830.108620.0
No log4.042.27570.13340.05450.1150.114720.0

Framework versions

  • Transformers 4.42.4
  • Pytorch 2.3.1+cu121
  • Datasets 2.20.0
  • Tokenizers 0.19.1

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
7135b1a

0 моделей