Qwen2 1.5B Summarize

🚀 Qwen2-1.5B-Summarize項目

本項目基於Qwen2-1.5B-Instruct模型，使用我自己合成的數據進行了2個輪次的微調，以用於文本摘要任務。

🚀 快速開始

本項目是基於Qwen2-1.5B-Instruct模型在自定義合成數據上進行微調，以完成文本摘要任務。更多項目信息請訪問我的GitHub倉庫：https://github.com/thepowerfuldeez/qwen2_1_5b_summarize

💻 使用示例

基礎用法

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)

📚 詳細文檔

數據集

訓練集數據可在此處獲取。

評估指標

BERTScore

我使用了官方實現的BERTScore，並採用microsoft/deberta-xlarge-mnli模型。然後，我從測試集中採樣了32個輸入（較長的待摘要句子）並生成了摘要。我使用更強大的Qwen2-72B-Instruct模型生成的參考摘要作為評估指標的目標。

📄 許可證

本項目採用Apache 2.0許可證。