Instructions to use elizaveta-dev/mT5-REF-CORRUPT-DE with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use elizaveta-dev/mT5-REF-CORRUPT-DE with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="elizaveta-dev/mT5-REF-CORRUPT-DE")

# Load model directly
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

tokenizer = AutoTokenizer.from_pretrained("elizaveta-dev/mT5-REF-CORRUPT-DE")
model = AutoModelForSeq2SeqLM.from_pretrained("elizaveta-dev/mT5-REF-CORRUPT-DE")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use elizaveta-dev/mT5-REF-CORRUPT-DE with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "elizaveta-dev/mT5-REF-CORRUPT-DE"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "elizaveta-dev/mT5-REF-CORRUPT-DE",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker

docker model run hf.co/elizaveta-dev/mT5-REF-CORRUPT-DE

SGLang

How to use elizaveta-dev/mT5-REF-CORRUPT-DE with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "elizaveta-dev/mT5-REF-CORRUPT-DE" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "elizaveta-dev/mT5-REF-CORRUPT-DE",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "elizaveta-dev/mT5-REF-CORRUPT-DE" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "elizaveta-dev/mT5-REF-CORRUPT-DE",
		"prompt": "Once upon a time,",
		"max_tokens": 512,
		"temperature": 0.5
	}'

Docker Model Runner
How to use elizaveta-dev/mT5-REF-CORRUPT-DE with Docker Model Runner:
```
docker model run hf.co/elizaveta-dev/mT5-REF-CORRUPT-DE
```

T5-REF-CORRUPT-DE: Automatic Error Correction of Academic Referencing According to Institutional Guidelines of the Center for Translation Studies (CTS) of University of Vienna

Objective: This model corrects errors in academic referencing. For example:

Input (wrong sentence): Sowohl Meyer & Thompson (2018) als auch Kunz & Alvarez-Rodriguez (2018) kritisieren den unzureichenden Austausch zwischen WissenschaftlerInnen, EntwicklerInnen und AnwenderInnen.

Output (clean sentence): Sowohl Meyer and Thompson (2018) als auch Kunz and Alvarez-Rodriguez (2018) kritisieren den unzureichenden Austausch zwischen WissenschaftlerInnen, EntwicklerInnen und AnwenderInnen.

Model Details:

Model name: mT5-REF-CORRUPT-DE
Base model: mT5-base
Language: German
Training data: Synthetically generated using LLMs and synthetically corrupted real student sentences.

Usage Cases: Error correction of academic references according to CTS guidelines.

Example

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

model_id = "elizaveta-dev/T5-REF-CORRUPT-DE"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSeq2SeqLM.from_pretrained(model_id)

text = "Sowohl Meyer & Thompson (2018) als auch Kunz & Alvarez-Rodriguez (2018) kritisieren den unzureichenden Austausch zwischen WissenschaftlerInnen, EntwicklerInnen und AnwenderInnen."
inputs = tokenizer(text, return_tensors="pt")

outputs = model.generate(**inputs, max_new_tokens=128)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Use-Cases

The model can perform automatic corrections of various referencing errors, including:

1. Incorrect Citation Type (Parenthetical vs. Narrative)

Example of mistake: (Lopez 2018; Chen 2012) fanden heraus, dass der kulturelle Kontext Übersetzungsstrategien stark beeinflusst.

Example of correction: Lopez (2018) und Chen (2012) fanden heraus, dass der kulturelle Kontext Übersetzungsstrategien stark beeinflusst.

Example of mistake: Dieses Thema wurde umfassend erforscht Baker (2006).

Example of correction: Dieses Thema wurde umfassend erforscht (Baker 2006).

2. Incorrect Citation for Two Authors

Example of mistake: Das Konzept der funktionalen Äquivalenz wurde von Baker & Green (2007) analysiert.

Example of correction: Das Konzept der funktionalen Äquivalenz wurde von Baker und Green (2007) analysiert.

3. Incorrect Placement of Citations

Example of mistake: Williams zufolge entwickelt sich die Übersetzungstheorie kontinuierlich weiter (2011: 77).

Example of correction: Williams (2011: 77) zufolge entwickelt sich die Übersetzungstheorie kontinuierlich weiter.

Downloads last month: 1

Safetensors

Model size

0.2B params

Tensor type

F32