metadata
license: apache-2.0
language:
- ru
library_name: transformers
base_model: google/mt5-base
tags:
- summarizer
- text-generation-inference
datasets:
- IlyaGusev/gazeta
pipeline_tag: summarization
widget:
- text: >-
В понедельник в Санкт-Петербургском гарнизонном военном суде начались
слушания по делу бывшего капитана ФСБ Ивана Круглова. Его обвиняют по ч. 4
статьи 111 УК РФ (умышленное причинение тяжкого вреда здоровью, повлекшее
по неосторожности смерть потерпевшего). В прошлом году экс-силовик, не
будучи при исполнении служебных обязанностей, застрелил из травматического
пистолета случайного прохожего — жителя Петербурга Звиада Хачатуряна,
который позднее скончался. В начале заседания сторона подсудимого
ходатайствовала перед судом, чтобы сделать процесс полностью закрытым.
Адвокат Круглова Лев Кожохин мотивировал ходатайство тем, что в качестве
свидетелей привлечены несколько действующих сотрудников ФСБ, а
следовательно, могут быть разглашены факты, имеющие отношение к
государственной тайне. Однако судья Виталий Краснощеков удовлетворил
просьбу частично: заседания будут закрытыми только при допросе сотрудников
ФСБ и при обсуждении секретной информации.
example_title: Summarization Example 1
This is fine-tuned form of google/mt5-base model used as Russian text summarizer, trained on ~50k samples' dataset. Updates are coming soon. Target is to improve the quality, length and accuracy.
Example Usage:
model_name = "sarahai/ru-sum"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSeq2SeqLM.from_pretrained(model_name)
device = torch.device("cpu") #if you are using cpu
input_text = "текст на русском" #your input in russian
input_ids = tokenizer(input_text, return_tensors="pt").input_ids.to(device)
outputs = model.generate(input_ids, max_length=100, min_length=50, length_penalty=2.0, num_beams=4, early_stopping=True) #change according to your preferences
summary = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(summary)
References Hugging Face Model Hub T5 Paper Disclaimer: The model's performance may be influenced by the quality and representativeness of the data it was fine-tuned on. Users are encouraged to assess the model's suitability for their specific applications and datasets.