BartaLens-E2B

BartaLens-E2B is a Bangla multimodal headline generation model fine-tuned from gemma-4-E2B-it. Given a Bengali news article (and optionally an accompanying image), it generates a concise, accurate newspaper-style headline. Trained with LoRA on the dipta007/shironam-pro-max dataset with 50% image supervision — the model is robust to both image-present and text-only inputs.

Highlights

• ROUGE-1: 0.3851 | ROUGE-L: 0.3551 | BLEU-4: 10.43 | BERTScore: 0.8969 on own test split (with images)
• ROUGE-1: 0.3840 | ROUGE-L: 0.3553 | BLEU-4: 11.02 | BERTScore: 0.8970 on Shironam test split (text-only)
• Outperforms zero-shot Gemma4-E2B, Qwen3.5-4B, Ministral-3 3B, and prior Bangla headline systems
• Robust to missing images: trained with 50% text-only supervision so performance doesn't degrade without images

Model Overview

Property	Value
Model Type	Vision-Language Model (Causal LM + Vision Encoder)
Base Model	unsloth/gemma-4-E2B-it
Training	SFT + LoRA (r=32, alpha=32)
LoRA Targets	all-linear (vision + language + attention + MLP)
Max Sequence Length	4,096 tokens
Language	Bengali (বাংলা)
Image Supervision	50% (model sees image for half of training samples)
Effective Batch Size	64 (8 per device x 8 gradient accumulation)

Quickstart

from unsloth import FastVisionModel, get_chat_template
import torch
from PIL import Image

model_name = "dipta007/BartaLens-E2B"

model, processor = FastVisionModel.from_pretrained(
    model_name,
    max_seq_length=4096,
    load_in_4bit=False,
    dtype=torch.bfloat16,
)
processor = get_chat_template(processor, "gemma-4")
FastVisionModel.for_inference(model)

INSTRUCTION = (
    "আপনি একজন অভিজ্ঞ বাংলা সংবাদ সম্পাদক। নিচের সংবাদ নিবন্ধটির জন্য একটি উপযুক্ত শিরোনাম তৈরি করুন।\n"
    "\n"
    "নিয়মাবলী:\n"
    "- নিবন্ধের মূল ঘটনা ও তথ্য সঠিকভাবে প্রকাশ করুন; কাল্পনিক তথ্য যোগ করবেন না।\n"
    "- সংবাদপত্রের সাধারণ শিরোনামের শৈলীতে, সংক্ষিপ্ত ও আকর্ষণীয়ভাবে লিখুন।\n"
    "- উদ্ধৃতি চিহ্ন, মার্কডাউন, ইমোজি, তালিকা চিহ্ন (*, -), অথবা নম্বর (১., 1.) ব্যবহার করবেন না।\n"
    "- কোনো ভূমিকা, ব্যাখ্যা, একাধিক বিকল্প বা অতিরিক্ত মন্তব্য যোগ করবেন না।\n"
    "- শুধু শিরোনামটি একটি লাইনে লিখুন, অন্য কিছু নয়।\n"
)


def generate_headline(article: str, image: Image.Image | None = None):
    """Generate a Bengali headline for a news article."""
    user_text = f"{INSTRUCTION}\nনিবন্ধ:\n{article}\n\nশিরোনাম:"

    if image is None:
        image = Image.new("RGB", (224, 224), color="black")

    messages = [
        {
            "role": "user",
            "content": [
                {"type": "image"},
                {"type": "text", "text": user_text},
            ],
        }
    ]

    input_text = processor.apply_chat_template(
        messages, add_generation_prompt=True
    )
    inputs = processor(
        images=[[image]],
        text=[input_text],
        add_special_tokens=False,
        return_tensors="pt",
    ).to("cuda")

    with torch.no_grad():
        out = model.generate(
            **inputs,
            max_new_tokens=64,
            use_cache=True,
            do_sample=False,
        )
    headline = processor.tokenizer.decode(
        out[0][inputs["input_ids"].shape[1]:],
        skip_special_tokens=True,
    ).strip()
    return headline


# Usage: text-only
article = """বাংলাদেশ জাতীয় ক্রিকেট দলের অধিনায়ক নাজমুল হোসেন শান্ত আজ 
সংবাদ সম্মেলনে জানিয়েছেন, দল আগামী টেস্ট সিরিজের জন্য পুরোপুরি প্রস্তুত। 
তিনি বলেন, তরুণ খেলোয়াড়দের পারফরম্যান্স দলের শক্তি বাড়িয়েছে।"""

headline = generate_headline(article)
print(headline)

# Usage: with image
# image = Image.open("news_image.jpg")
# headline = generate_headline(article, image=image)

Performance

Comparison with zero-shot baselines (Own eval, n=15,000)

Model	ROUGE-1	ROUGE-2	ROUGE-L	BLEU-4	BERTScore	METEOR
Qwen3.5-0.8B	0.1546	0.0541	0.1429	2.14	0.8373	0.1002
Qwen3.5-2B	0.2029	0.0613	0.1821	1.83	0.8498	0.1191
Ministral-3 3B	0.2892	0.0903	0.2445	2.48	0.8725	0.1625
Qwen3.5-4B	0.2984	0.1065	0.2618	3.98	0.8729	0.1924
Gemma4-E2B (zero-shot)	0.3484	0.1507	0.3127	6.37	0.8874	0.2531
BartaLens-E2B (ours)	0.3851	0.1807	0.3551	10.43	0.8969	0.2644

Cross-dataset generalization (Shironam eval, text-only, n=15,012)

Model	ROUGE-1	ROUGE-2	ROUGE-L	BLEU-4	BERTScore	METEOR
Gemma4-E2B (zero-shot)	0.3535	0.1526	0.3190	6.36	0.8883	0.2620
BartaLens-E2B (ours)	0.3840	0.1809	0.3553	11.02	0.8970	0.2590

Training Details

• Dataset: dipta007/shironam-pro-max (train split)
• Supervision: 50% of training samples include the news image; 50% use a black placeholder (text-only). This trains the model to be robust when no image is available.
• Early stopping: patience=3 on validation loss, eval every 200 steps
• Optimizer: AdamW, LR=5e-4, cosine schedule, warmup 5%
• Hardware: NVIDIA L40S (46 GB)
• Metrics: csebuetnlp multilingual ROUGE (Bengali stemmer), HF BLEU, BanglaBERT BERTScore, METEOR

Intended Use

• In-scope: generating concise Bengali news headlines from article text (optionally with an image), headline suggestion for editors, summarization benchmarks.
• Out-of-scope: generating headlines in other languages, creative/clickbait headline generation, summarization of non-news content.

Citation

License

Released under the Gemma License.