It5 Efficient Small El32 News Summarization

🚀 IT5大小写敏感小型高效EL32新闻摘要模型 ✂️🗞️ 🇮🇹

本模型用于意大利语新闻摘要生成，基于IT5架构，在特定语料上微调，能有效提升新闻摘要的生成效果，为意大利语新闻处理提供高效解决方案。

✨ 主要特性

• 高效架构：采用优化的模型架构，在减少参数数量的同时提高性能。
• 大小写敏感：采用不同的词汇表，支持大小写文本生成。
• 微调优化：在Fanpage和Il Post语料上进行新闻摘要任务的微调。

📦 安装指南

文档未提及具体安装步骤，故跳过此章节。

💻 使用示例

基础用法

from transformers import pipelines

newsum = pipeline("summarization", model='it5/it5-efficient-small-el32-news-summarization')
newsum("Dal 31 maggio è infine partita la piattaforma ITsART, a più di un anno da quando – durante il primo lockdown – il ministro della Cultura Dario Franceschini ne aveva parlato come di «una sorta di Netflix della cultura», pensata per «offrire a tutto il mondo la cultura italiana a pagamento». È presto per dare giudizi definitivi sulla piattaforma, e di certo sarà difficile farlo anche più avanti senza numeri precisi. Al momento, l’unica cosa che si può fare è guardare com’è fatto il sito, contare quanti contenuti ci sono (circa 700 “titoli”, tra film, documentari, spettacoli teatrali e musicali e altri eventi) e provare a dare un giudizio sul loro valore e sulla loro varietà. Intanto, una cosa notata da più parti è che diversi contenuti di ITsART sono a pagamento sulla piattaforma sebbene altrove, per esempio su RaiPlay, siano invece disponibili gratuitamente.")
>>> [{"generated_text": "ITsART, la Netflix della cultura italiana, parte da maggio. Film, documentari, spettacoli teatrali e musicali disponibili sul nuovo sito a pagamento."}]

高级用法

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

tokenizer = AutoTokenizer.from_pretrained("it5/it5-efficient-small-el32-news-summarization")
model = AutoModelForSeq2SeqLM.from_pretrained("it5/it5-efficient-small-el32-news-summarization")

📚 详细文档

本仓库包含IT5大小写敏感小型高效EL32模型的检查点，该模型在新闻摘要任务上进行了微调。相关实验是论文IT5: Large-scale Text-to-text Pretraining for Italian Language Understanding and Generation的一部分，论文作者为Gabriele Sarti和Malvina Nissim。

其他发布材料的综合概述可在gsarti/it5仓库中找到。有关报告分数和评估方法的更多详细信息，请参考论文。

🔧 技术细节

高效IT5模型与标准模型的不同之处在于采用了不同的词汇表，支持大小写文本生成，并采用了优化的模型架构，以在减少参数数量的同时提高性能。小型EL32模型用32层深度编码器替换了T5小型架构中的原始编码器，相较于基础模型表现出更好的性能。

📄 许可证

本项目采用Apache-2.0许可证。

如果您在研究中使用此模型，请按以下格式引用我们的工作：

@article{sarti-nissim-2022-it5,
    title={{IT5}: Large-scale Text-to-text Pretraining for Italian Language Understanding and Generation},
    author={Sarti, Gabriele and Nissim, Malvina},
    journal={ArXiv preprint 2203.03759},
    url={https://arxiv.org/abs/2203.03759},
    year={2022},
	month={mar}
}