---
language:
- fr
license: apache-2.0
tags:
- text-generation-inference
- transformers
- unsloth
- gemma
- summarizer
- 16bit
base_model: unsloth/gemma-2b-it-bnb-4bit
---

# Uploaded as 16bit model

- **Developed by:** Labagaite
- **License:** apache-2.0
- **Finetuned from model :** unsloth/gemma-2b-it-bnb-4bit

# Training Logs

## Traning metrics
![Evaluation Loss Plot](eval_loss_plot.png)

## Evaluation score
### Évaluation du rapport généré par le modèle unsloth/gemma-2b-it-bnb-4bit :

1. **Performance de la structuration du rapport : 6/10**
   - Le rapport est bien structuré en chapitres distincts, mais certains points pourraient être mieux développés et organisés.

2. **Qualité du langage : 7/10**
   - Le langage utilisé est formel et professionnel, mais il manque parfois de fluidité et de clarté dans l'expression des idées.

3. **Cohérence : 6/10**
   - La cohérence entre les différents chapitres est présente, mais il y a des transitions abruptes et des lacunes dans certaines explications.

### Évaluation du rapport généré par le modèle gemma-Summarizer-2b-it-bnb-4bit :

1. **Performance de la structuration du rapport : 8/10**
   - Le rapport est bien structuré en sections claires et précises, facilitant la lecture et la compréhension.

2. **Qualité du langage : 8/10**
   - Le langage utilisé est riche et varié, offrant une lecture agréable et captivante pour le lecteur.

3. **Cohérence : 7/10**
   - La cohérence entre les différentes parties du rapport est bonne, mais certaines transitions pourraient être améliorées pour une meilleure fluidité.

### Score global :

- Modèle unsloth/gemma-2b-it-bnb-4bit : 6.3/10
- Modèle gemma-Summarizer-2b-it-bnb-4bit : 7.7/10

### Conclusion :

Le modèle gemma-Summarizer-2b-it-bnb-4bit obtient un score global plus élevé que le modèle unsloth/gemma-2b-it-bnb-4bit en raison de sa meilleure structuration, de la qualité supérieure du langage utilisé et d'une cohérence globale plus solide. Le rapport généré par le modèle gemma-Summarizer-2b-it-bnb-4bit est plus complet, captivant et bien organisé, ce qui en fait un choix préférable pour la génération de rapports détaillés et professionnels.
[Evaluation report and scoring](evaluation/run-unsloth/gemma-2b-it-bnb-4bit-7449/Model_evaluator-gemma-Summarizer-2b-it-bnb-4bit.md)

## Wandb logs
You can view the training logs [<img src="https://raw.githubusercontent.com/wandb/wandb/main/docs/README_images/logo-light.svg" width="200"/>](https://wandb.ai/william-derue/LLM-summarizer_trainer/runs/nlrru9au).

## Training details

### training data
- Dataset : [fr-summarizer-dataset](https://huggingface.co/datasets/Labagaite/fr-summarizer-dataset)
- Data-size : 7.65 MB
- train : 1.97k rows
- validation : 440 rows
- roles : user , assistant
- Format chatml "role": "role", "content": "content", "user": "user", "assistant": "assistant"
<br>
*French audio podcast transcription*

# Project details
[<img src="https://avatars.githubusercontent.com/u/116890814?v=4" width="100"/>](https://github.com/WillIsback/Report_Maker)
Fine-tuned on French audio podcast transcription data for summarization task. As a result, the model is able to summarize French audio podcast transcription data.
The model will be used for an AI application: [Report Maker](https://github.com/WillIsback/Report_Maker) wich is a powerful tool designed to automate the process of transcribing and summarizing meetings.
It leverages state-of-the-art machine learning models to provide detailed and accurate reports.

This gemma model was trained 2x faster with [Unsloth](https://github.com/unslothai/unsloth) and Huggingface's TRL library.
This gemma was trained with [LLM summarizer trainer](images/Llm_Summarizer_trainer_icon-removebg.png)
[<img src="https://raw.githubusercontent.com/unslothai/unsloth/main/images/unsloth%20made%20with%20love.png" width="200"/>](https://github.com/unslothai/unsloth)
**LLM summarizer trainer**
[<img src="https://github.com/WillIsback/LLM_Summarizer_Trainer/blob/main/images/Llm_Summarizer_trainer_icon-removebg.png?raw=true" width="150"/>](https://github.com/WillIsback/LLM_Summarizer_Trainer)