Training Loss	Epoch	Step	Validation Loss	Rouge1	Rouge2	Rougel	Rougelsum
4.125	0.12	100	3.0694	0.2411	0.1271	0.2143	0.2131
3.5224	0.24	200	2.7433	0.3152	0.1669	0.2738	0.2743
3.2845	0.35	300	2.5655	0.3254	0.1738	0.2870	0.2863
3.1946	0.47	400	2.5012	0.3080	0.1659	0.2795	0.2798
3.2075	0.59	500	2.4685	0.3488	0.2036	0.3117	0.3120
3.0507	0.71	600	2.4249	0.3337	0.1947	0.2900	0.2898
3.0301	0.82	700	2.4027	0.3396	0.1949	0.2973	0.2987
3.032	0.94	800	2.3871	0.3165	0.1789	0.2777	0.2769
2.8716	1.06	900	2.3811	0.3446	0.2113	0.3104	0.3093
2.8563	1.18	1000	2.3448	0.3603	0.2248	0.3251	0.3247
2.8408	1.3	1100	2.3438	0.3387	0.1945	0.2960	0.2963
2.7755	1.41	1200	2.3275	0.3473	0.2038	0.2910	0.2920
2.8019	1.53	1300	2.2786	0.3438	0.2021	0.3029	0.3022
2.7457	1.65	1400	2.2380	0.3308	0.1887	0.2985	0.2985
2.7216	1.77	1500	2.2517	0.3515	0.2112	0.3079	0.3052
2.71	1.88	1600	2.2712	0.3397	0.1978	0.2955	0.2932
2.6489	2.0	1700	2.2678	0.3441	0.2059	0.3047	0.3049
2.6232	2.12	1800	2.2526	0.3242	0.1901	0.2874	0.2864
2.5419	2.24	1900	2.2526	0.2985	0.1636	0.2611	0.2610
2.6232	2.36	2000	2.2108	0.3454	0.2053	0.2995	0.2999
2.5973	2.47	2100	2.2166	0.3363	0.1986	0.2975	0.2968
2.5738	2.59	2200	2.1973	0.3263	0.1802	0.2803	0.2812
2.5279	2.71	2300	2.1978	0.3186	0.1778	0.2829	0.2857
2.5613	2.83	2400	2.1921	0.3539	0.2126	0.3125	0.3166
2.5856	2.94	2500	2.1830	0.3719	0.2293	0.3295	0.3307
2.5181	3.06	2600	2.1531	0.3581	0.2177	0.3245	0.3239
2.4885	3.18	2700	2.1702	0.3409	0.1980	0.3034	0.3051
2.4172	3.3	2800	2.1562	0.3387	0.1872	0.2927	0.2925
2.5102	3.41	2900	2.1398	0.3387	0.2004	0.2947	0.2944
2.5086	3.53	3000	2.1253	0.3453	0.1935	0.3031	0.3029
2.4235	3.65	3100	2.1530	0.3495	0.1990	0.2932	0.2936
2.364	3.77	3200	2.1215	0.3564	0.2057	0.3049	0.3072
2.4752	3.89	3300	2.1223	0.3250	0.1818	0.2764	0.2772
2.3531	4.0	3400	2.1100	0.3453	0.1945	0.2931	0.2943
2.3746	4.12	3500	2.1162	0.3494	0.1976	0.2991	0.2998
2.3519	4.24	3600	2.1069	0.3496	0.2118	0.3061	0.3052
2.3154	4.36	3700	2.1217	0.3544	0.2170	0.3257	0.3269
2.3163	4.47	3800	2.1092	0.3445	0.2007	0.3044	0.3045
2.3641	4.59	3900	2.1098	0.3484	0.2072	0.3127	0.3126
2.298	4.71	4000	2.1019	0.3571	0.2190	0.3211	0.3224
2.3414	4.83	4100	2.0955	0.3534	0.2002	0.2949	0.2957
2.3812	4.95	4200	2.1027	0.3531	0.2058	0.3009	0.3011
2.2614	5.06	4300	2.1107	0.3379	0.1902	0.2891	0.2886
2.2528	5.18	4400	2.0953	0.3789	0.2229	0.3263	0.3243
2.3287	5.3	4500	2.0977	0.3671	0.2120	0.3200	0.3180
2.2855	5.42	4600	2.1044	0.3567	0.2085	0.3030	0.3057
2.2969	5.53	4700	2.0925	0.3459	0.2103	0.3126	0.3119
2.2438	5.65	4800	2.0879	0.3577	0.2020	0.2999	0.2996
2.2088	5.77	4900	2.0862	0.3662	0.2212	0.3222	0.3259
2.2319	5.89	5000	2.0839	0.3530	0.2040	0.3108	0.3130
2.2879	6.01	5100	2.0761	0.3693	0.2236	0.3285	0.3288
2.2508	6.12	5200	2.0810	0.3924	0.2424	0.3440	0.3448
2.2634	6.24	5300	2.0760	0.3722	0.2170	0.3162	0.3165
2.1484	6.36	5400	2.0725	0.3624	0.2110	0.3097	0.3115
2.1863	6.48	5500	2.0663	0.3820	0.2332	0.3338	0.3348
2.1935	6.59	5600	2.0762	0.3906	0.2299	0.3421	0.3425
2.224	6.71	5700	2.0536	0.3788	0.2362	0.3337	0.3336
2.1938	6.83	5800	2.0663	0.3551	0.2017	0.3047	0.3044
2.2589	6.95	5900	2.0602	0.3782	0.2298	0.3365	0.3360
2.1185	7.07	6000	2.0632	0.3617	0.2170	0.3237	0.3239
2.1924	7.18	6100	2.0508	0.3771	0.2211	0.3284	0.3295
2.2012	7.3	6200	2.0602	0.3714	0.2184	0.3315	0.3315
2.1617	7.42	6300	2.0606	0.3311	0.1800	0.2883	0.2862
2.1557	7.54	6400	2.0444	0.3827	0.2318	0.3386	0.3383
2.1965	7.65	6500	2.0391	0.3777	0.2334	0.3401	0.3414
2.1599	7.77	6600	2.0393	0.3648	0.2121	0.3154	0.3152
2.1505	7.89	6700	2.0483	0.3905	0.2411	0.3485	0.3496
2.191	8.01	6800	2.0412	0.3815	0.2373	0.3327	0.3337
2.1513	8.12	6900	2.0461	0.3745	0.2252	0.3363	0.3374
2.1232	8.24	7000	2.0474	0.3672	0.2183	0.3264	0.3270
2.1249	8.36	7100	2.0422	0.3846	0.2270	0.3379	0.3388
2.1743	8.48	7200	2.0358	0.3707	0.2086	0.3192	0.3184
2.1684	8.6	7300	2.0391	0.3532	0.2061	0.3048	0.3035
2.1257	8.71	7400	2.0388	0.3773	0.2198	0.3218	0.3219
2.1186	8.83	7500	2.0356	0.3655	0.2135	0.3091	0.3077
2.054	8.95	7600	2.0308	0.3739	0.2276	0.3208	0.3208
2.1534	9.07	7700	2.0253	0.3649	0.2150	0.3154	0.3157
2.0906	9.18	7800	2.0327	0.3752	0.2233	0.3173	0.3174
2.0703	9.3	7900	2.0314	0.3610	0.2100	0.3153	0.3150
2.1088	9.42	8000	2.0289	0.3636	0.2106	0.3171	0.3174
2.0719	9.54	8100	2.0298	0.3682	0.2145	0.3225	0.3223
2.0873	9.66	8200	2.0294	0.3729	0.2185	0.3225	0.3228
2.0953	9.77	8300	2.0316	0.3729	0.2185	0.3225	0.3228
2.0825	9.89	8400	2.0312	0.3697	0.2183	0.3248	0.3253

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu121
Datasets 2.16.0
Tokenizers 0.15.0

pnr-svc/mt5-summarize-tr

mt5-summarize-tr

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

pnr-svc/
mt5-summarize-tr