该模型是为对抗性复述任务（Adversarial Paraphrasing Task）设计的复述生成器，相关论文详见：https://aclanthology.org/2021.acl-long.552/。建议参考GitHub仓库中的nap_generation.py文件，通过top-k采样和top-p采样技术优化模型使用效果。由于该模型默认采用束搜索和采样输出，HuggingFace演示界面很可能仅生成与输入相同的单句结果。

GitHub仓库地址：https://github.com/Advancing-Machine-Human-Reasoning-Lab/apt.git

若使用本模型，请引用以下文献：

@inproceedings{nighojkar-licato-2021-improving,
    title = "基于对抗性复述任务的复述检测优化研究",
    author = "尼格杰卡, 阿尼梅什 和
      利卡托, 约翰",
    booktitle = "第59届计算语言学协会年会暨第11届国际自然语言处理联合会议长论文集",
    month = "8月",
    year = "2021",
    address = "线上会议",
    publisher = "计算语言学协会",
    url = "https://aclanthology.org/2021.acl-long.552",
    pages = "7106--7116",
    abstract = "若两个句子语义相同，则其推理属性应相互等价——即彼此应存在文本蕴含关系。然而当前广泛使用的复述数据集多基于词汇重叠和句法相似性。我们能否通过关注句子的推理属性（而非过度依赖句对间的词汇句法相似性）来提升复述识别能力？本研究应用对抗范式提出创新数据集构建方法：对抗性复述任务(APT)，要求生成语义等价（互推性）但词汇句法差异显著的复述句对。这些句对既可测试现有复述识别模型（其准确率仅达随机水平），又能增强模型性能。为加速数据集生成，我们探索使用T5模型自动化APT流程，证明所得数据集能有效提升准确率。本文还探讨了复述检测的改进方向，并开源数据集以促进句子级语义等价识别研究。",
}