uzbek-text-simplifier

Uzbek Text Simplifier (mT5-small fine-tuned)

Fine-tuned google/mt5-small для упрощения сложных узбекских текстов (юридические документы, официальные новости, гос. инструкции) в текст, понятный обычному читателю.

Использование

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

tokenizer = AutoTokenizer.from_pretrained("username/uz-text-simplifier")
model = AutoModelForSeq2SeqLM.from_pretrained("username/uz-text-simplifier")

text = "Oʻzbekiston Respublikasi Vazirlar Mahkamasining qarori bilan..."
inputs = tokenizer("simplify: " + text, return_tensors="pt", truncation=True, max_length=256)
out = model.generate(**inputs, max_new_tokens=256, num_beams=4)
print(tokenizer.decode(out[0], skip_special_tokens=True))

Важно: на вход всегда добавляй префикс "simplify: " — модель обучена под этот task-prefix.

Данные

~4150 пар (сложный текст → простой текст), собранных с lex.uz (юридические акты), kun.uz, gazeta.uz, uza.uz и uz.wikipedia.org, размеченных teacher-моделью.

Обучение

• База: google/mt5-small
• 8 эпох, learning rate 1e-3, оптимизатор Adafactor
• Метрики на валидации: ROUGE-L ≈ 0.28, chrF ≈ 44.7

Ограничения

• Датасет сильно смещён в сторону юридических текстов (домен law, ~59%)
• На доменах health/technology/education (<100 примеров каждый) качество может быть ниже
• Не предназначена для текстов вне узбекского языка