Clasa AutoModelForSeq2SeqLM încarcă arhitecturi neuronale de tip Sequence-to-Sequence (Encoder-Decoder) precum Google T5, FLAN-T5 sau BART, special concepute pentru transformarea unui flux de text într-un alt flux de text (traducere automată, parafraze, rezumare).
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
tokenizer = AutoTokenizer.from_pretrained("google/flan-t5-base")
model = AutoModelForSeq2SeqLM.from_pretrained("google/flan-t5-base")
inputs = tokenizer("Translate English to Romanian: The model works flawlessly.", return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=50)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))Comparație: Spre deosebire de modelele autoregresive (Decoder-only), arhitecturile Seq2Seq analizează întregul context de intrare bidirecțional înainte de a genera primul cuvânt.
Întrebări & Exemple practice:
AutoModelForSeq2SeqLM: Modele Encoder-Decoder pentru Traducere și RezumatAi o întrebare despre AutoModelForSeq2SeqLM: Modele Encoder-Decoder pentru Traducere și Rezumat sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!
Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.