/ Модель

Характеристики

Контекст
512 токенов
Параметры
385 млн
Лицензия
Apache 2.0
Архитектура
t5 · dense

t5-large-for-text-aggregation

СуммаризацияТекст → текст3 профессии

T5 Large от Toloka объединяет несколько вариантов текста, например краудсорсинговых транскрипций, в один итоговый ответ.

37скачиваний за 30 дней7лайковвеса обновлены23 сен 2021

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

toloka/t5-large-for-text-aggregation — модель T5 Large, дообученная командой Toloka на агрегации текстовых ответов, полученных от нескольких исполнителей. Она принимает варианты ответов, разделённые вертикальной чертой, и формирует один итоговый ответ, исправляя разночтения и опечатки.

Модель основана на архитектуре T5 для преобразования текста в текст и содержит 385,2 млн параметров. Она предназначена для агрегации краудсорсинговых транскрипций речи; обучение проводилось на частях train-clean, dev-clean и dev-other датасета CrowdSpeech. В README приведены результаты оценки по WER: 4,99 на test-clean и 10,61 на test-other. Контекст составляет 512 токенов, основной язык — английский.

Модель применима для объединения нескольких вариантов одной транскрипции или другого короткого текста в единый результат. Она специализирована на сценарии агрегации ответов и не описана как универсальная модель суммаризации. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • объединение вариантов транскрипции одной аудиозаписи
  • исправление опечаток по нескольким версиям текста
  • агрегация ответов краудсорсеров в единый результат

Ограничения

Модель специализирована на агрегации нескольких вариантов текста и обучена на данных CrowdSpeech; качество для других типов текстов не подтверждено. Контекст ограничен 512 токенами.

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

T5 Large for Text Aggregation

Model description

This is a T5 Large fine-tuned for crowdsourced text aggregation tasks. The model takes multiple performers' responses and yields a single aggregated response. This approach was introduced for the first time during VLDB 2021 Crowd Science Challenge and originally implemented at the second-place competitor's GitHub. The paper describing this model was presented at the 2nd Crowd Science Workshop.

How to use

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer, AutoConfig
mname = "toloka/t5-large-for-text-aggregation"
tokenizer = AutoTokenizer.from_pretrained(mname)
model = AutoModelForSeq2SeqLM.from_pretrained(mname)

input = "samplee text | sampl text | sample textt"
input_ids = tokenizer.encode(input, return_tensors="pt")
outputs = model.generate(input_ids)
decoded = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(decoded)  # sample text

Training data

Pretrained weights were taken from the original T5 Large model by Google. For more details on the T5 architecture and training procedure see https://arxiv.org/abs/1910.10683

Model was fine-tuned on train-clean, dev-clean and dev-other parts of the CrowdSpeech dataset that was introduced in [our paper](https://openreview.net/forum?id=3_hgF1NAXU7&referrer=%5BAuthor%20Console%5D(%2Fgroup%3Fid%3DNeurIPS.cc%2F2021%2FTrack%2FDatasets_and_Benchmarks%2FRound1%2FAuthors%23your-submissions).

Training procedure

The model was fine-tuned for eight epochs directly following the HuggingFace summarization training example.

Eval results

DatasetSplitWER
CrowdSpeechtest-clean4.99
CrowdSpeechtest-other10.61

BibTeX entry and citation info

@inproceedings{Pletenev:21,
  author    = {Pletenev, Sergey},
  title     = {{Noisy Text Sequences Aggregation as a Summarization Subtask}},
  year      = {2021},
  booktitle = {Proceedings of the 2nd Crowd Science Workshop: Trust, Ethics, and Excellence in Crowdsourced Data Management at Scale},
  pages     = {15--20},
  address   = {Copenhagen, Denmark},
  issn      = {1613-0073},
  url       = {http://ceur-ws.org/Vol-2932/short2.pdf},
  language  = {english},
}
@misc{pavlichenko2021vox,
      title={Vox Populi, Vox DIY: Benchmark Dataset for Crowdsourced Audio Transcription}, 
      author={Nikita Pavlichenko and Ivan Stelmakh and Dmitry Ustalov},
      year={2021},
      eprint={2107.01091},
      archivePrefix={arXiv},
      primaryClass={cs.SD}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
ec2d49a

0 моделей