Характеристики

Контекст: 1 024 токена
Параметры: 95,2 млн
Лицензия: Apache 2.0
Архитектура: bart · dense
Базовая модель: bart-base
Опубликована: 17 июл 2024

Ссылки

Hugging Face

SummarEaseFocus

notBanana

Языковая модель

Дообученная на базе BART модель для генерации краткого текста по текстовому входу, вероятно для суммаризации.

7скачиваний 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

SummarEaseFocus — модель на базе BART, дообученная разработчиком notBanana на неизвестном наборе данных. Она содержит 95,2 млн параметров и предназначена для генерации текста по текстовому входу; по метрикам ROUGE в карточке можно предположить задачу суммаризации, однако конкретные сценарии и состав обучающих данных не описаны. Модель принимает текст и генерирует текст, контекст ограничен 1024 токенами.

В карточке приведены результаты оценки: Loss 1,9764, ROUGE-1 0,1766, ROUGE-2 0,0679 и ROUGE-L 0,1479. Эти значения дают ограниченное представление о качестве без описания набора данных и протокола оценки. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Сценарии применения

создание краткого пересказа текста
суммаризация документов на английском языке
генерация короткого текстового вывода по входному материалу

Ограничения

Обучающий набор данных и предназначенные сценарии использования не описаны; приведённые метрики оценки не сопровождаются сведениями о наборе и протоколе. Контекст ограничен 1024 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SummarEaseFocus

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

Loss: 1.9764
Rouge1: 0.1766
Rouge2: 0.0679
Rougel: 0.1479
Rougelsum: 0.1457
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 Loss	Epoch	Step	Validation Loss	Rouge1	Rouge2	Rougel	Rougelsum	Gen Len
No log	1.0	1	2.3239	0.1766	0.0679	0.1479	0.1457	20.0
No log	2.0	2	2.1067	0.1766	0.0679	0.1479	0.1457	20.0
No log	3.0	3	2.0350	0.1766	0.0679	0.1479	0.1457	20.0
No log	4.0	4	1.9764	0.1766	0.0679	0.1479	0.1457	20.0

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: f6ace41