Summllama3.2 3B

🚀 SummLlama3.2-3B

你是否正在寻找一个能够在多个领域生成更符合人类偏好摘要的摘要生成器？我们的 SummLlama3.2-3B 或许正是你所需要的！SummLlama3.2-3B 基于 Llama3.2-3B-Instruct 进行初始化，并使用基于大规模（超过 10 万条）摘要反馈的直接偏好优化（DPO）方法进行了额外训练。

🚀 快速开始

推荐的文本摘要提示

我们建议使用以下提示来获取摘要，因为我们是使用此提示来训练模型的。

def format_chat_template(document):
    instruction = "Please summarize the input document."
    row_json = [{"role": "user", "content": f"Below is an instruction that describes a task. Write a response that appropriately completes the request.\n\n### Instruction:\n{instruction}\n\n### Input:\n{document}\n\n### Response:\n"}]
    return tokenizer.apply_chat_template(row_json, tokenize=False)

✨ 主要特性

模型基础信息

反馈数据范围

反馈涵盖了从短文本到长文本的各种输入文档，包括对话和非对话格式，并跨越七个不同领域：

• 四个非对话领域：新闻、生活方式、报告、医疗
• 三个对话领域：日常生活、访谈、会议

自动化评估结果

模型优势

该模型在忠实度、完整性和简洁度方面表现出色，这是人类评判一个优秀摘要生成器的三个重要方面：

• 忠实度：摘要生成器不会篡改输入文本中的信息，也不会添加任何无法从输入文本直接推断出的信息。
• 完整性：摘要生成器确保输出摘要包含输入文本中的所有关键信息。
• 简洁度：摘要生成器避免在输出中包含关键信息以外的信息，保持摘要简洁明了。

综合评估结果

基于我们的综合评估，包括人工和自动化评估摘要质量，SummLlama3 相较于原始 Llama3 系列有了显著改进。

人工评估

使用 FineSurE 进行的自动化评估

示例

以下是一个示例，展示了 SummLlama3-8B 相较于 Llama3-8/70B-Instruct 在摘要生成上的改进：

SummLlama3-8B 的摘要可以被认为是更符合人类偏好的摘要，原因如下：

• 核心聚焦：摘要准确抓住了对话的主题，即感恩节晚餐的安排。它突出了两人如何确认计划、讨论带什么以及最终确定人物 2 带酒而不是派的决定，保持了核心上下文。
• 关键事实包含：摘要涵盖了对话中的重要细节，包括人物 2 最初提出带甜点（南瓜派）以及因另一位家庭成员负责甜点而改为带酒的转变。其他摘要往往忽略或简化了这一过程，而 SummLlama3-8B 完整地捕捉了对话中的关键事件。
• 清晰简洁：摘要结构简洁明了，有效地总结了对话，没有不必要的细节。它清晰地呈现了讨论的流程和结果，使读者易于理解。事件的逻辑顺序得以保持，确保了叙述的流畅性。
• 角色准确描绘：摘要明确将人物 1 确定为主人，人物 2（保罗）确定为客人，有助于澄清他们的关系和对话的性质。与其他摘要相比，SummLlama3-8B 对角色的区分更加明确。

相关链接

• SummLlama3-70B：
  • https://huggingface.co/DISLab/SummLlama3-8B
  • https://huggingface.co/DISLab/SummLlama3-70B
• SummLlama3.1 系列：
  • https://huggingface.co/DISLab/SummLlama3.1-8B
  • https://huggingface.co/DISLab/SummLlama3.1-70B
• SummLlama3.2 系列：
  • https://huggingface.co/DISLab/SummLlama3.2-3B

参考论文

请参考 我们的论文 以了解如何在文本摘要的背景下利用大语言模型生成的反馈。