pegasus-multi_news

pegasus-multi_news

优化文本摘要生成:采用混合数据集和随机抽样

该项目旨在提高文本摘要生成性能,通过混合C4和HugeNews数据集,以及随机抽样技术进行更有效的模型训练。训练过程中使用1.5M步数以增强预训练收敛性,均匀抽样15%到45%间的句间间隔,同时对重要句子施加20%随机扰动。更新后的sentencepiece tokenizer支持换行符编码,提升数据处理精度,展现了多领域数据集上的性能改进。

模型训练开源项目模型抽象总结Pegasus混合和随机检查点Huggingface重要句Github

pegasus-multi_news项目介绍

项目背景

pegasus-multi_news项目是基于Pegasus模型的文本摘要工具,由Jingqing Zhang、Yao Zhao、Mohammad Saleh和Peter J. Liu于2019年12月18日提出,并由@sshleifer进行维护。Pegasus模型旨在通过抽象语句进行预训练,以在文本摘要任务上提高效果。

Pegasus模型概述

Pegasus是一个专为文本摘要任务设计的深度学习模型,它在训练时通过提取重要的缺失句子进行预训练。这种方法使模型能够更好地概括和总结长篇文章中的关键信息。Pegasus原始代码基于TensorFlow 1,可以通过此链接查看。

训练数据集与方法

项目中特别采用了两大数据集:C4和HugeNews。在训练过程中,Pegasus模型不仅结合了这两者的数据,而且还引入了混合和随机抽样的方法。在训练时,模型随机选择15%到45%比例的缺失句子,并以20%的均匀噪声对重要句子进行采样。同时,模型的tokenizer(分词器)也被更新以支持换行符的编码。

所有实验数据都展示了"混合和随机"方式与单独使用C4或HugeNews数据集进行训练的效果对比。

实验结果

Pegasus针对多种数据集进行了测试,包括xsum、cnn_dailymail、newsroom等。总体来说,"混合和随机"模型在大多数数据集上的表现更为突出。例如,在xsum数据集上,"混合和随机"模型的ROUGE评分为47.60/24.83/39.64,相较于仅使用C4的45.20/22.06/36.99有了显著提升。

重要更新

由于tokenizer的更新,其中两个数据集wikihow和big_patent结果的可比性有所变化:

  • wikihow数据集现在包含了换行符,便于段落分割,而C4和HugeNews模型的tokenizer原本无法处理换行符。
  • 修改后的BigPatent数据集保留了大小写,并进行了格式清理。

参考文献

如果需要引用本项目,请使用以下文献:

@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}
}

项目Pegasus通过其创新的训练方式和良好的实验表现,为文本摘要领域提供了一种高效的解决方案,对于需要从大量文本中提取关键信息的应用具有极高的价值。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多