---
license: cc-by-nc-4.0
datasets:
- grammarly/spivavtor
language:
- uk
widget:
- text: "Перефразуйте речення: Який найкращий комплiмент, який ти отримував вiд будь-кого?"
  example_title: "Paraphrasing example"
- text: "Спростiть речення: Там він помер через шість тижнів, 13 січня 888 року."
  example_title: "Simplification example"
- text: "Виправте граматику в цьому реченнi: Дякую за інформацію! ми з Надією саме вийшли з дому"
  example_title: "GEC example"
- text: "Виправте зв’язнiсть в реченнi: Лінч досі відмовляється розповідати про сумнозвісну травневу дорожньо-транспортну пригоду, коли він збив жінку-пішохода в районі нічного клубу Баффало та відлетів. Той факт, що Лінч взагалі говорив, заслуговує на увагу в цих краях."
  example_title: "Coherence example"
---

# Model Card for Spivavtor-xxl

This model was obtained by instruction tuning `CohereForAI/aya-101` model on the Spivavtor dataset. All details of the dataset and fine tuning process can be found in our paper.

**Paper:** Spivavtor: An Instruction Tuned Ukrainian Text Editing Model

**Authors:** Aman Saini, Artem Chernodub, Vipul Raheja, Vivek Kulkarni

## Model Details

### Model Description

- **Language**: Ukrainian
- **Finetuned from model:** CohereForAI/aya-101

## How to use
We make the following models available from our paper. 

<table>
  <tr>
    <th>Model</th>
    <th>Number of parameters</th>
    <th>Reference name in Paper</th>
  </tr>
  <tr>
    <td>Spivavtor-large</td>
    <td>1.2B</td>
    <td>SPIVAVTOR-MT0-LARGE</td>
  </tr>
  <tr>
    <td>Spivavtor-xxl</td>
    <td>11B</td>
    <td>SPIVAVTOR-AYA-101</td>
  </tr>  
</table>

## Usage
```python
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
tokenizer = AutoTokenizer.from_pretrained("grammarly/spivavtor-xxl")
model = AutoModelForSeq2SeqLM.from_pretrained("grammarly/spivavtor-xxl")

# Paraphrase the sentence: What is the greatest compliment that you ever received from anyone?
input_text = 'Перефразуйте речення: Який найкращий комплімент, який ти отримував від будь-кого?'

inputs = tokenizer.encode(input_text, return_tensors="pt")
output = model.generate(inputs, max_length=256)
output_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
```