language:

• en base_model:
• answerdotai/ModernBERT-base tags:
• modernbert
• summarization
• regression
• qna

ModernBERT-base-cos模型卡

ModernBERT-base-cos是基于ModernBERT的序列分类模型，专门针对问答场景下的摘要质量评估进行微调。该模型旨在评估生成摘要对问答任务所需关键信息的捕捉能力，是"摘要链"方法研究的重要组成部分。

模型详情

模型描述

本模型通过提供质量评分来评估摘要的完整性和质量，主要功能包括：

• 判断摘要是否充分包含下游问答任务所需信息

• 适用于以下场景：

  • 摘要评估研究
  • 问答流程优化
  • 需要评估学生生成摘要的教育应用
  • 重视摘要质量的内容创作平台

• 开发方: [需补充信息]

• 资助方[可选]: [需补充信息]

• 共享方[可选]: [需补充信息]

• 模型类型: [需补充信息]

• 支持语言(NLP): [需补充信息]

• 许可协议: [需补充信息]

• 微调基础模型[可选]: [需补充信息]

模型来源[可选]

• 代码库: [需补充信息]
• 论文[可选]: [需补充信息]
• 演示[可选]: [需补充信息]

快速使用指南

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

# 加载模型和分词器
model_id = "williambrach/ModernBERT-base-cos"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSequenceClassification.from_pretrained(model_id).to("cuda")

def summary_score(
    tokenizer,
    summaries: list[str],
    device: str = "cuda",
    return_tensor: bool = True,
):
    inputs = tokenizer(
        summaries, return_tensors="pt", padding=True, truncation=True
    ).to(device)
    with torch.no_grad():
        outputs = model(**inputs)
        logits = torch.sigmoid(outputs["logits"])
        if return_tensor:
            logits = logits
        else:
            logits = logits.cpu().numpy().tolist()
    return logits

# 使用示例
texts = [
    "测试文本",
    "迈克尔·杰克逊是著名歌手兼舞者。",
    "迈克尔·杰克逊是著名歌手。",
    "迈克尔·杰克逊是著名舞者。",
]
scores = summary_score(tokenizer, texts, return_tensor=False)
print(scores)

硬件要求

[需补充信息]

软件依赖

[需补充信息]

引用信息[可选]

BibTeX格式:

[需补充信息]