/ Модель

Характеристики

Контекст
1 024 токена
Параметры
234 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
mbart · dense
Библиотека
transformers
Опубликована
5 мар 2024

VBART-Large-Summarization

Генерация текстаТекст → текст3 профессии

Дообученная на турецких новостных и веб-текстах модель mBART для создания кратких пересказов.

82скачиваний за 30 дней3лайкавеса обновлены23 мар 2024

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

VBART-Large-Summarization — модель VNGRS-AI для суммаризации турецких текстов. Это дообученная версия VBART-Large, построенная на архитектуре mBART с энкодером и декодером; в репозитории доступны веса Safetensors и TensorFlow. Размер модели — 234,1 млн параметров, контекст — до 1024 токенов.

Модель предназначена для условной генерации текста на турецком языке, прежде всего для сокращения новостных и веб-текстов. Для работы могут требоваться специальные промпты. Обучение суммаризации проводилось на турецких разделах MLSum, TRNews, XLSum и Wikilingua. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование.

Сценарии применения

  • суммаризация турецких новостных статей
  • сокращение турецких веб-текстов
  • создание краткого содержания турецких документов

Ограничения

Модель настроена на суммаризацию и может требовать специальных промптов; для других задач она не сохраняет полную производительность базовой модели. Коммерческое использование ограничено лицензией CC BY-NC-SA 4.0.

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

VBART Model Card

Model Description

VBART is the first sequence-to-sequence LLM pre-trained on Turkish corpora from scratch on a large scale. It was pre-trained by VNGRS in February 2023.
The model is capable of conditional text generation tasks such as text summarization, paraphrasing, and title generation when fine-tuned. It outperforms its multilingual counterparts, albeit being much smaller than other implementations.

This repository contains fine-tuned TensorFlow and Safetensors weights of VBART for text summarization task.

  • Developed by: VNGRS-AI
  • Model type: Transformer encoder-decoder based on mBART architecture
  • Language(s) (NLP): Turkish
  • License: CC BY-NC-SA 4.0
  • Finetuned from: VBART-Large
  • Paper: arXiv

How to Get Started with the Model

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

tokenizer = AutoTokenizer.from_pretrained("vngrs-ai/VBART-Large-Summarization",
                            model_input_names=['input_ids', 'attention_mask'])
# Uncomment the device_map kwarg and delete the closing bracket to use model for inference on GPU
model = AutoModelForSeq2SeqLM.from_pretrained("vngrs-ai/VBART-Large-Summarization")#, device_map="auto")

input_text="..."

token_input = tokenizer(input_text, return_tensors="pt")#.to('cuda')
outputs = model.generate(**token_input)
print(tokenizer.decode(outputs[0]))

Training Details

Training Data

The base model is pre-trained on vngrs-web-corpus. It is curated by cleaning and filtering Turkish parts of OSCAR-2201 and mC4 datasets. These datasets consist of documents of unstructured web crawl data. More information about the dataset can be found on their respective pages. Data is filtered using a set of heuristics and certain rules, explained in the appendix of our paper.

The fine-tuning dataset is the Turkish sections of MLSum, TRNews, XLSum and Wikilingua datasets.

Limitations

This model is fine-tuned for paraphrasing tasks. It is not intended to be used in any other case and can not be fine-tuned to any other task with full performance of the base model. It is also not guaranteed that this model will work without specified prompts.

Training Procedure

Pre-trained for 30 days and for a total of 708B tokens. Finetuned for 30 epoch.

Hardware

  • GPUs: 8 x Nvidia A100-80 GB

Software

  • TensorFlow

Hyperparameters

Pretraining
  • Training regime: fp16 mixed precision
  • Training objective: Sentence permutation and span masking (using mask lengths sampled from Poisson distribution λ=3.5, masking 30% of tokens)
  • Optimizer : Adam optimizer (β1 = 0.9, β2 = 0.98, Ɛ = 1e-6)
  • Scheduler: Custom scheduler from the original Transformers paper (20,000 warm-up steps)
  • Dropout: 0.1 (dropped to 0.05 and then to 0 in the last 165k and 205k steps, respectively)
  • Initial Learning rate: 5e-6
  • Training tokens: 708B
Fine-tuning
  • Training regime: fp16 mixed precision
  • Optimizer : Adam optimizer (β1 = 0.9, β2 = 0.98, Ɛ = 1e-6)
  • Scheduler: Linear decay scheduler
  • Dropout: 0.1
  • Learning rate: 1e-5
  • Fine-tune epochs: 20

Metrics

image/png

Citation

@article{turker2024vbart,
  title={VBART: The Turkish LLM},
  author={Turker, Meliksah and Ari, Erdi and Han, Aydin},
  journal={arXiv preprint arXiv:2403.01308},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MBartForConditionalGeneration
Ревизия весов
3589e3d

0 моделей