Qwen2 1.5B Summarize

🚀 Qwen2-1.5B-Summarize

Qwen2-1.5B-Instructを独自の合成データで要約タスク向けに2エポックファインチューニングしたモデルです。

🚀 クイックスタート

このモデルは、Qwen2-1.5B-Instructを独自の合成データで要約タスク向けにファインチューニングしたものです。詳細な情報は、こちらのGitHubリポジトリをご覧ください。

💻 使用例

基本的な使用法

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2-1.5B-Instruct")
model = AutoModelForCausalLM.from_pretrained("thepowerfuldeez/Qwen2-1.5B-Summarize", 
                                             bnb_4bit_compute_dtype=torch.bfloat16,
                                             load_in_4bit=True, attn_implementation="flash_attention_2")

text = <YOUR_TEXT>
messages = [
    {"role": "system", "content": "You are helpful AI assistant."},
    {"role": "user", "content": f"Summarize following text: \n{text}"},
]
input_ids = tokenizer.apply_chat_template(messages, return_tensors='pt')
new_tokens = model.generate(input_ids, max_new_tokens=1024)[0][len(input_ids[0]):]
summary = tokenizer.decode(new_tokens, skip_special_tokens=True)

📚 ドキュメント

データセット

トレーニングデータの分割はこちらにあります。

評価指標

BERTScore

BERTScoreの計算には、公式の実装を使用し、microsoft/deberta-xlarge-mnliモデルを利用しました。テストセットから32個の入力（要約する長い文章）をサンプリングし、要約を生成しました。評価指標のターゲットとして、より強力なQwen2-72B-Instructモデルから生成された参照要約を使用しました。

📄 ライセンス

このプロジェクトは、Apache-2.0ライセンスの下で公開されています。