README.md

---
license: apache-2.0
library_name: transformers
datasets:
- IlyaGusev/gazeta
language:
- ru
pipeline_tag: summarization
tags:
- summarization
- summarizer
- суммаризатор
- text-generation-inference
widget:
- text: >-
    В одном из зоопарков Петербурга пингвин по имени Гектор решил, что пора искать
    себе пару и отправился в авантюрное путешествие прямо из своего вольера.
    Сотрудники зоопарка утром обнаружили пропажу и начали поиски, но Гектор уже
    прошел через весь город, пытаясь даже заказать кофе на Невском проспекте.
    Приключения пингвина вызвали восторг у жителей города, которые делились фото и
    видео в соцсетях с комментариями от "Может, ему просто надоела рыба?" до "Гектор
    ищет любовь, давайте поможем ему!". В конце концов, Гектора нашли и вернули в
    зоопарк, где ему обещали подыскать подругу. Эта история не только развеселила
    горожан, но и напомнила о том, что даже у пингвинов есть сердца, способные на
    большую любовь, а Гектор стал настоящей звездой, символом неутомимого стремления
    к своей мечте.
example_title: Summarization Example 1
---

Russian text summarizer was fine-tuned from ai-forever/ruT5-base model and trained on ~60k rows samples' dataset. 

Example Usage: 

```python
model_name = "sarahai/ruT5-base-summarizer"  
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSeq2SeqLM.from_pretrained(model_name)

device = torch.device("cpu") #if you are using cpu

input_text = "текст на русском" #your input in russian
input_ids = tokenizer(input_text, return_tensors="pt").input_ids.to(device)
outputs = model.generate(input_ids, max_length=100, min_length=50, length_penalty=2.0, num_beams=4, early_stopping=True) #change according to your preferences
summary = tokenizer.decode(outputs[0], skip_special_tokens=True)

print(summary)
```

References
Hugging Face Model Hub
T5 Paper
Disclaimer: The model's performance may be influenced by the quality and representativeness of the data it was fine-tuned on. Users are encouraged to assess the model's suitability for their specific applications and datasets.