metadata

license: bigscience-bloom-rail-1.0
datasets:
  - jslin09/Fraud_Case_Verdicts
language:
  - zh
metrics:
  - accuracy
pipeline_tag: text-generation
text-generation:
  parameters:
    max_length: 400
    do_sample: true
    temperature: 0.75
    top_k: 50
    top_p: 0.9
tags:
  - legal
widget:
  - text: 王大明意圖為自己不法所有，基於竊盜之犯意，
    example_title: 生成竊盜罪之犯罪事實
  - text: 騙人布意圖為自己不法所有，基於詐欺取財之犯意，
    example_title: 生成詐欺罪之犯罪事實
  - text: 森上梅前明知其無資力支付酒店消費，亦無付款意願，竟意圖為自己不法之所有，
    example_title: 生成吃霸王餐之詐欺犯罪事實
  - text: 闕很大明知金融帳戶之存摺、提款卡及密碼係供自己使用之重要理財工具，
    example_title: 生成賣帳戶幫助詐欺犯罪事實

判決書例稿自動生成

本模型是以司法院公開之刑事判決書（案由為詐欺）為資料集，以判決書中「犯罪事實」欄之內容為素材，基於 BLOOM 560m 小模型進行遷移學習訓練。在本網頁進行測試時，請在模型載入完畢並生成第一小句後，持續按下Compute按鈕，就能持續生成文字。或是輸入自己想要測試的資料到文字框中進行測試。

使用範例

如果要在自己的程式中調用本模型，可以參考下列的 Python 程式碼，藉由呼叫 API 的方式來生成刑事判決書「犯罪事實」欄的內容。

  
import requests, json
from time import sleep
from tqdm.auto import tqdm, trange

API_URL = "https://api-inference.huggingface.co/models/jslin09/bloom-560m-finetuned-fraud"
headers = {"Authorization": "Bearer XXXXXXXXXXXXXXX"} # 調用模型的 API token

def query(payload):
    response = requests.post(API_URL, headers=headers, json=payload)
    return json.loads(response.content.decode("utf-8"))

prompt = "森上梅前明知其無資力支付酒店消費，亦無付款意願，竟意圖為自己不法之所有，"
query_dict = {
    "inputs": prompt,
}
text_len = 300
t = trange(text_len, desc= '生成例稿', leave=True)
for i in t:
    response = query(query_dict)
    try:
        response_text = response[0]['generated_text']
        query_dict["inputs"] = response_text
        t.set_description(f"{i}: {response[0]['generated_text']}")
        t.refresh()
    except KeyError:
        sleep(30) # 如果伺服器太忙無回應，等30秒後再試。
        pass
print(response[0]['generated_text'])