/ Модель

Характеристики

Контекст
512 токенов
Параметры
38,5 млн
Лицензия
Apache 2.0
Архитектура
t5 · dense
Базовая модель
t5-small
Опубликована
30 дек 2023

t5-small-finetuned-xsum

Языковая модель4 профессии

Дообученная T5-small для создания кратких сводок текста в стиле задачи XSum.

9скачиваний за 30 дней0лайковвеса обновлены30 дек 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

tawfikgh/t5-small-finetuned-xsum — модель tawfikgh, полученная дообучением T5-small для суммаризации текста. Она основана на архитектуре T5ForConditionalGeneration, содержит 38,5 млн параметров и принимает текст с контекстом до 512 токенов. В README приведены метрики обучения и проверки, включая ROUGE, однако обучающий набор данных указан как неизвестный.

Модель предназначена для создания кратких текстовых сводок; название репозитория указывает на задачу XSum. Опубликованные веса представлены в формате TensorFlow. Лицензия — Apache-2.0. Проверочные показатели в карточке сами по себе не гарантируют качество на других данных.

Сценарии применения

  • краткое изложение новостных статей
  • создание однопредложных сводок текста
  • автоматическая суммаризация документов

Ограничения

Обучающий набор данных не описан, а приведённые метрики получены на указанном в карточке проверочном наборе и не гарантируют качество на других текстах. Контекст ограничен 512 токенами.

Для каких профессий подходит4

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

tawfikgh/t5-small-finetuned-xsum

This model is a fine-tuned version of t5-small on an unknown dataset. It achieves the following results on the evaluation set:

  • Train Loss: 2.6007
  • Train Accuracy: 0.3468
  • Validation Loss: 2.4078
  • Validation Accuracy: 0.3649
  • Train Rouge1: 28.6978
  • Train Rouge2: 8.2259
  • Train Rougel: 22.5783
  • Train Rougelsum: 22.5893
  • Train Gen Len: 18.8233
  • Epoch: 3

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:

  • optimizer: {'name': 'AdamWeightDecay', 'learning_rate': 2e-05, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-07, 'amsgrad': False, 'weight_decay_rate': 0.01}
  • training_precision: float32

Training results

Train LossTrain AccuracyValidation LossValidation AccuracyTrain Rouge1Train Rouge2Train RougelTrain RougelsumTrain Gen LenEpoch
2.75670.33202.50310.354727.50497.378421.425021.442018.82320
2.69060.33882.46260.359428.06067.683421.965321.973918.81681
2.64190.34362.43210.362428.55988.068822.349822.355918.81522
2.60070.34682.40780.364928.69788.225922.578322.589318.82333

Framework versions

  • Transformers 4.35.2
  • TensorFlow 2.15.0
  • Datasets 2.16.1
  • Tokenizers 0.15.0

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
T5ForConditionalGeneration
Ревизия весов
6a5e3d2

0 моделей