许可证: cc-by-4.0 数据集:

• grammarly/spivavtor 语言:
• uk 小部件示例:
• 文本: >- 请改写以下句子: 你从别人那里得到过最好的赞美是什么？ 示例标题: 改写示例
• 文本: '简化句子: 他在那里六周后去世，即888年1月13日。' 示例标题: 简化示例
• 文本: >- 纠正这个句子的语法: 感谢提供的信息！我和娜迪娅刚出门 示例标题: 语法纠错示例
• 文本: >- 改善句子连贯性: 林奇至今仍拒绝谈论那起臭名昭著的五月交通事故，当时他在布法罗夜店区撞倒一名女性行人后逃逸。林奇愿意开口这一事实本身在当地就值得关注。 示例标题: 连贯性修正示例

Spivavtor-xxl模型卡片

本模型通过对CohereForAI/aya-101模型进行Spivavtor数据集的指令微调获得。数据集详情和微调过程可参阅我们的论文。

论文标题: 《Spivavtor：一个指令微调的乌克兰语文本编辑模型》

作者: 阿曼·塞尼、阿尔乔姆·切尔诺杜布、维普尔·拉赫贾、维韦克·库尔卡尼

模型详情

模型描述

• 语言: 乌克兰语
• 基础模型: CohereForAI/aya-101

使用方法

我们提供了论文中涉及的以下模型：

使用示例

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
tokenizer = AutoTokenizer.from_pretrained("grammarly/spivavtor-xxl")
model = AutoModelForSeq2SeqLM.from_pretrained("grammarly/spivavtor-xxl")

# 改写句子示例：你从别人那里得到过最好的赞美是什么？
input_text = '请改写以下句子: 你从别人那里得到过最好的赞美是什么？'

inputs = tokenizer.encode(input_text, return_tensors="pt")
output = model.generate(inputs, max_length=256)
output_text = tokenizer.decode(outputs[0], skip_special_tokens=True)