我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
使用 AI說書 - 從0開始 - 387 | Hugging Face T5 模型製作 Summary 函數 中撰寫的彙整函數，搭配以下文本，可以進行文本總結功能：
text = """ No person shall be held to answer for a capital, or otherwise infamous crime, unless on a presentment or indictment of a Grand Jury, except in cases arising in the land or naval forces, or in the Militia, when in actual service in time of War or public danger; nor shall any person be subject for the same offense to be twice put in jeopardy of life or limb; nor shall be compelled in any criminal case to be a witness against himself, nor be deprived of life, liberty, or property, without due process of law; nor shall private property be taken for public use without just compensation. """
print("Number of characters:", len(text))
summary = summarize(text, 50)
wrapped_summary = textwrap.fill(summary, width = 70)
print ("\nSummarized text: \n", wrapped_summary)
結果為：
這個範例很重要，因為它展示了無論是 Transformer 模型還是其他自然語言處理模型，當面對像這樣的文本時所面臨的局限性，我們不能只展示總是成功的範例，讓使用者相信 Transformer 已經解決了我們面臨的所有自然語言處理挑戰，無論這些模型多麼創新，我們仍然需要處理結果，並尋找解決方案，例如檢測不完整的句子、增加最大長度，及其他經典的數據處理方法。
也許我們應該提供更長的文本來總結，使用其他參數，選用更大的模型，或者改變 T5 模型的結構，然而，不管多麼努力地使用自然語言處理模型去總結複雜的文本，總會有一些文檔是模型無法總結的。
