Update README.md

README.md

@@ -11,7 +11,7 @@ tags:
 - summarization
 base_model: openchat/openchat-3.5-0106
 datasets:
-- somosnlp/Resumen_Noticias_Clickbait
+- somosnlp/NoticIA-it
 metrics:
 - rouge
 pipeline_tag: text-generation
@@ -58,7 +58,7 @@ widget:
  Los artículos clickbait suelen ser de baja calidad y no aportan valor al lector, más allá de la curiosidad inicial. Este fenómeno hace socavar la confianza del público en las fuentes de noticias. 
  Y afecta negativamente a los ingresos publicitarios de los creadores de contenidos legítimos, que podrían ver reducido su tráfico web.
 
- Presentamos un modelo de 7B parámetros, entrenado con el dataset [NoticIA](https://huggingface.co/datasets/somosnlp/Resumen_Noticias_Clickbait). Este modelo es capaz de 
+ Presentamos un modelo de 7B parámetros, entrenado con el dataset [NoticIA](https://huggingface.co/datasets/somosnlp/NoticIA-it). Este modelo es capaz de 
  generar resúmenes concisos y de alta calidad de artículos con titulares clickbait.
 
 
@@ -75,7 +75,7 @@ entrenamiento *Low-Rank Adaptation* (LoRA).
 La configuración exacta de entrenamiento está disponible en []()
 
 ### Prompt
-El prompt utilizado para el entrenamiento es el mismo definido explicado en [https://huggingface.co/datasets/somosnlp/Resumen_Noticias_Clickbait](https://huggingface.co/datasets/somosnlp/Resumen_Noticias_Clickbait). 
+El prompt utilizado para el entrenamiento es el mismo definido explicado en [https://huggingface.co/datasets/somosnlp/NoticIA-it](https://huggingface.co/datasets/somosnlp/NoticIA-it). 
 El prompt es convertido al template de chat específico de cada modelo. 
 
 # Rendimiento
@@ -151,7 +151,7 @@ def prompt(
 
 prompt = prompt(headline=headline, body=body)
 
-tokenizer = AutoTokenizer.from_pretrained("somosnlp/Resumen_Noticias_Clickbait")
+tokenizer = AutoTokenizer.from_pretrained("somosnlp/NoticIA-7B")
 
 
 quantization_config = BitsAndBytesConfig(
@@ -161,7 +161,7 @@ quantization_config = BitsAndBytesConfig(
 )
 
 model = AutoModelForCausalLM.from_pretrained(
-    "somosnlp/Resumen_Noticias_Clickbait", torch_dtype=torch.bfloat16, device_map="auto",quantization_config=quantization_config,
+    "somosnlp/NoticIA-7B", torch_dtype=torch.bfloat16, device_map="auto",quantization_config=quantization_config,
 )
 
 formatted_prompt = tokenizer.apply_chat_template(
@@ -196,9 +196,9 @@ from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig #
 from transformers import BitsAndBytesConfig # pip install bitsandbytes
 
 
-dataset = load_dataset("somosnlp/Resumen_Noticias_Clickbait",split="test")
+dataset = load_dataset("somosnlp/NoticIA-it",split="test")
 
-tokenizer = AutoTokenizer.from_pretrained("Iker/ClickbaitFighter-7B")
+tokenizer = AutoTokenizer.from_pretrained("somosnlp/NoticIA-7B")
 
 quantization_config = BitsAndBytesConfig(
    load_in_4bit=True,
@@ -207,7 +207,7 @@ quantization_config = BitsAndBytesConfig(
 )
 
 model = AutoModelForCausalLM.from_pretrained(
-    "Iker/ClickbaitFighter-7B", torch_dtype=torch.bfloat16, device_map="auto", quantization_config=quantization_config,
+    "somosnlp/NoticIA-7B", torch_dtype=torch.bfloat16, device_map="auto", quantization_config=quantization_config,
 )
 
 formatted_prompt = tokenizer.apply_chat_template(