许可证: cc-by-4.0
语言:

• 乌克兰语
  数据集:
• grammarly/spivavtor
  微件示例:
• 文本: "改写句子: 你从别人那里收到过最好的赞美是什么？"
  示例标题: 改写示例
• 文本: "简化句子: 他在六周后的888年1月13日于那里去世。"
  示例标题: 简化示例
• 文本: "修正句子语法: 感谢提供信息！我和娜迪娅刚刚出门"
  示例标题: 语法纠错示例
• 文本: "提升句子连贯性: 林奇至今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。值得注意的是，林奇居然愿意开口谈论此事。"
  示例标题: 连贯性优化示例
  推理参数:
  最大新生成标记数: 250

Spivavtor-Large模型卡

本模型通过对bigscience/mt0-large模型进行Spivavtor数据集的指令微调获得。数据集详情与微调过程详见我们的论文。

论文标题: 《Spivavtor：基于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: bigscience/mt0-large

使用方法

我们在论文中发布了以下模型：

代码示例

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

# 改写句子示例  
input_text = '改写句子: 你从别人那里收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)