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。
if display_architecture == True:
print(model.config)
結果為：
我們也可以看到 T5 的文字到文字的實現，它在輸入句子中加入前綴來觸發任務執行，此前綴使得可以以文字到文字的格式表示各種任務，而無需修改模型的參數，在我們的例子中，前綴是摘要：
當中的參數意義說明為：
- "early_stopping": true：當模型預測到句子的結尾符號時，文本生成將會停止，這可以優化機器的使用效率
- "length_penalty": 2.0：此參數會影響 Beam Search 的得分，如果值大於 1，模型將傾向於生成較長的序列，如果小於 1，則模型會生成較短的序列
- "max_length": 200 和 "min_length": 30 控制生成的 token 數量，模型至少會生成到達 min_length 的 token，並在達到 max_length 時停止生成
- "no_repeat_ngram_size": 3 控制 ngram token 的重複，該參數設為 3，限制了 3-gram 的重複
- 實現了 Beam Search 演算法，它將擴展四個最重要的文本補全預測
- "num_beams": 4：如果該值設為 1，演算法將採用貪婪策略，意味著它只會尋找一個預測，如果設置為大於 1，Beam 的寬度將擴展，模型會搜尋更多的可能性
- "prefix": "summarize:"：定義任務，在此情況下是摘要總結
