库名称：transformers 基础模型：

• meta-llama/Llama-3.1-8B-Instruct 任务标签：文本摘要

您是否在寻找一款能够跨多个领域生成更符合人类偏好的摘要工具？

我们的SummLlama3.1-8B或许正是您所需！

SummLlama3.1-8B基于Llama3.1-8B-Instruct初始化，并通过基于大规模（超过10万条）摘要反馈的直接偏好优化（DPO）进行了额外训练。

这些反馈涵盖了广泛的输入文档，从短文到长篇文本，包括对话和非对话形式，并跨越七个不同的领域：

• 四个非对话领域：新闻、生活方式、报告、医疗
• 三个对话领域：日常生活、访谈、会议

以下是自动化评估结果：

请参阅我们的论文了解如何在文本摘要中利用LLM生成的反馈。

SummLlama3-70B，

https://huggingface.co/DISLab/SummLlama3-8B

https://huggingface.co/DISLab/SummLlama3-70B

SummLlama3.1系列

https://huggingface.co/DISLab/SummLlama3.1-8B

https://huggingface.co/DISLab/SummLlama3.1-70B

SummLlama3.2系列

https://huggingface.co/DISLab/SummLlama3.2-3B

推荐的文本摘要提示：

我们建议使用以下提示来获取摘要，因为我们在训练模型时使用了这一格式。

def format_chat_template(document):
    instruction = "请总结输入文档。"
    row_json = [{"role": "user", "content": f"以下是一个描述任务的指令。请撰写一个适当的响应来完成请求。\n\n### 指令:\n{instruction}\n\n### 输入:\n{document}\n\n### 响应:\n"}]
    return tokenizer.apply_chat_template(row_json, tokenize=False)

以下是我们的摘要工具的简要概述：

我们并非依赖昂贵的人工反馈，而是利用大型语言模型（LLM）生成的高质量、多维度和细粒度的反馈。

该模型在忠实性、完整性和简洁性方面表现出色，这三个方面是人类判断优质摘要工具的关键标准。

• 忠实性：摘要工具不会篡改输入文本中的信息，也不会添加任何无法直接从输入文本推断出的信息。
• 完整性：摘要工具确保输出摘要中包含输入文本的所有关键信息。
• 简洁性：摘要工具避免在输出中包含超出关键信息的内容，保持摘要的简洁和聚焦。

基于我们全面的评估（包括对摘要质量的人工和自动化评估），SummLlama3相较于原始Llama3系列展现出显著改进。

以下是评估结果：

人工评估

使用FineSurE的自动化评估

示例

以下示例展示了SummLlama3-8B在文档摘要方面相较于Llama3-8/70B-Instruct的改进：

SummLlama3-8B的摘要可视为更符合人类偏好的原因如下：

核心聚焦： 摘要准确捕捉了对话主题——感恩节晚餐安排，突出两人确认计划、讨论带礼物及最终决定带红酒而非派的完整过程，保持了核心上下文。

关键事实覆盖： 摘要涵盖了人物2最初提议带甜点（南瓜派）后因他人负责甜点改为带红酒的重要细节。其他摘要可能简化这一过程，而SummLlama3-8B完整呈现了关键互动。

清晰简洁： 摘要结构简明直接，有效概括对话而无冗余信息，清晰呈现讨论流程和结果。事件逻辑顺序完整，确保叙事流畅。

角色定位准确： 摘要明确区分主人（人物1）与客人保罗（人物2）的角色，比其它摘要更清晰地呈现人物关系。