pegasus-large

pegasus-large

解析Pegasus模型的混合与随机检查点方法

Pegasus模型利用C4和HugeNews数据集,通过混合与随机采样策略提高文本摘要的质量。该模型经过1.5M步长训练,优化了摘要的流畅性和准确性,适用于多种大型数据集。

摘要生成C4HugeNewsPegasus混合随机模型Github开源项目Huggingface

Pegasus-large项目介绍

项目概述

Pegasus-large是一个由Jingqing Zhang、Yao Zhao、Mohammad Saleh和Peter J. Liu于2019年12月18日发表的项目,专注于文本摘要任务。它旨在通过对大规模文本进行预训练和重要句子的提取,实现对文本的抽象性摘要。该项目的原始代码可以在Google Research的GitHub上找到,而项目的详细文档可参考Hugging Face的文档

Pegasus模型的特点

Pegasus-large项目引入了“混合与随机”的检查点训练策略,利用C4和HugeNews这两个数据集进行模型训练,并在训练中随机抽取重要句子。相比于传统的方法,这种策略在多个数据集上的摘要效果都有显著提升。下表展示了该模型在不同数据集上的表现:

数据集C4HugeNews混合与随机
xsum45.20/22.06/36.9947.21/24.56/39.2547.60/24.83/39.64
cnn_dailymail43.90/21.20/40.7644.17/21.47/41.1144.16/21.56/41.30
newsroom45.07/33.39/41.2845.15/33.51/41.3345.98/34.20/42.18
multi_news46.74/17.95/24.2647.52/18.72/24.9147.65/18.75/24.95
gigaword38.75/19.96/36.1439.12/19.86/36.2439.65/20.47/36.76
wikihow43.07/19.70/34.7941.35/18.51/33.4246.39/22.12/38.41 *
reddit_tifu26.54/8.94/21.6426.63/9.01/21.6027.99/9.81/22.94
big_patent53.63/33.16/42.2553.41/32.89/42.0752.29/33.08/41.66 *
arxiv44.70/17.27/25.8044.67/17.18/25.7344.21/16.95/25.67
pubmed45.49/19.90/27.6945.09/19.56/27.4245.97/20.15/28.25
aeslc37.69/21.85/36.8437.40/21.22/36.4537.68/21.25/36.51
billsum57.20/39.56/45.8057.31/40.19/45.8259.67/41.58/47.59

训练策略

  • 数据集使用:模型在C4和HugeNews两个数据集上进行训练,数据集的混合比例根据样本数量进行加权。
  • 训练时间:相比普通的500k步,模型进行了1.5M步的训练以获得更好的预训练效果。
  • 句间隙比例:模型在训练时统一随机选择15%到45%的句间隙比例。
  • 重要句子的选择:在重要性评分上应用了20%的均匀噪声来采样重要句子。
  • 分词器的更新:为了更好地处理段落信息,更新后的分词器能够对换行符进行编码。

特殊说明

部分数据集(如wikihow和big_patent)的结果由于分词方式和数据处理的改变,不完全可比。wikihow数据集中含有对段落分隔很重要的换行符,而模型在旧版中缺乏编解码能力,big_patent数据集则对大小写进行了保留并做了一些格式清理。

引用

如果对Pegasus-large项目相关研究感兴趣,可以参考以下论文:

@misc{zhang2019pegasus,
    title={PEGASUS: Pre-training with Extracted Gap-sentences for Abstractive Summarization},
    author={Jingqing Zhang and Yao Zhao and Mohammad Saleh and Peter J. Liu},
    year={2019},
    eprint={1912.08777},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

该项目体现了文本摘要领域的前沿技术,通过创新性的训练策略和数据集应用,为各类文本摘要任务提供了更为高效和准确的解决方案。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多