t5 pegasus:中文生成式预训练模型 源码

T5飞马 中文生成式预训练模型,以mT5为基础架构和初始权重,通过类似PEGASUS的方式进行预训练。 详情可见: ://kexue.fm/archives/8209 分词器 我们将T5 PEGASUS的令牌生成器转换成BERT的令牌生成器,它对中文更友好。同时,我们重新排列一版词表,从而里边的字,词都更加完善,目前的vocab.txt共包含5万个token,真正覆盖了中文的常用字,词。 预训练任务 具体来说,假设一个文档有n个句子,我们从中挑出大约n / 4个句子(可以不连续),因此这n / 4个句子拼起来的文本,跟剩下的3n / 4个句子拼写的文本,更长公共子序列重置长,然后我们将3n / 4个句子拼写的文本视为标题,n / 4个句子拼起来的文本透视摘要,通过这样的方式构成一个“(Reuters,摘要)”的伪摘要数据对。 模型下载 目前开源的T5 PEGASUS是基本版,总参数量为2