语言:

• 英语 许可协议: cc-by-nc-4.0 数据集:
• facebook/asset
• wi_locness
• GEM/wiki_auto_asset_turk
• discofuse
• zaemyung/IteraTeR_plus
• jfleg
• grammarly/coedit 评估指标:
• sari
• bleu
• accuracy 示例输入:
• 文本: '修正语法: 当我长大后，我开始明白他说的话相当正确。' 示例标题: 流畅性
• 文本: '使这段文字连贯: 它们的飞行能力很弱。它们在树冠间快速奔跑。' 示例标题: 连贯性
• 文本: '重写以使更易理解: 风暴潮是预报员认为飓风最危险的方面。' 示例标题: 简化
• 文本: '改写这句话: 你知道我出生在哪里吗?' 示例标题: 改写
• 文本: '用更正式的方式表达: 天啊我超爱这首歌正在听' 示例标题: 正式化
• 文本: '以更中立的语气表达: 作者们对营养学研究的揭露。' 示例标题: 中立化

CoEdIT-Large模型卡

该模型通过对google/flan-t5-large模型在CoEdIT数据集上进行微调获得。数据集详情请参阅我们的论文和代码库。

论文标题: CoEdIT: 通过任务特定指令微调实现文本编辑
作者: Vipul Raheja, Dhruv Kumar, Ryan Koo, Dongyeop Kang

模型详情

模型描述

• 支持语言: 英语
• 基础模型: google/flan-t5-large

模型来源

• 代码库: https://github.com/vipulraheja/coedit
• 论文: https://arxiv.org/abs/2305.09857

使用方法

我们公开了论文中使用的所有模型。

应用场景

文本修订任务

给定编辑指令和原始文本，本模型可生成修订后的文本版本。

使用示例

from transformers import AutoTokenizer, T5ForConditionalGeneration

tokenizer = AutoTokenizer.from_pretrained("grammarly/coedit-large")
model = T5ForConditionalGeneration.from_pretrained("grammarly/coedit-large")
input_text = '修正这句话的语法错误: 当我长大后，我开始明白他说的话相当正确。'
input_ids = tokenizer(input_text, return_tensors="pt").input_ids
outputs = model.generate(input_ids, max_length=256)
edited_text = tokenizer.decode(outputs[0], skip_special_tokens=True)

相关软件

https://github.com/vipulraheja/coedit

引用

BibTeX格式:

@article{raheja2023coedit,
      title={CoEdIT: 通过任务特定指令微调实现文本编辑}, 
      author={Vipul Raheja and Dhruv Kumar and Ryan Koo and Dongyeop Kang},
      year={2023},
      eprint={2305.09857},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

APA格式: Raheja, V., Kumar, D., Koo, R., & Kang, D. (2023). CoEdIT: 通过任务特定指令微调实现文本编辑. 预印本论文. /abs/2305.09857