چکیده: چکیده در سال‌های اخیر حجم داده‌های متنی افزایش چشمگیری داشته، که منبعی برای اطلاعات به حساب می‌رود. برای استفاده مفید از این اطلاعات در زمانی معقول، نیاز است تا این اطلاعات خلاصه‌سازی شوند. مدل‌های زبانی یکی از قدرتمندترین ابزارهای کنونی خلاصه‌سازی هستند. اما نمی‌توان مدلی از این دسته را یافت که بتوان ادعا کرد برای هر متنی بهترین خلاصه را تولید می‌کند. مدل‌های مختلف زبانی از جنبه‌های متفاوتی به متن نگاه می‌کنند و در نتیجه هر مدل ممکن است برای برخی متن‌ها خلاصه خوبی تولید نکند در حالی که مدل‌های دیگری باشند که برای همان متون خلاصه‌های باکیفیتی تولید می‌کنند وبالعکس. یک راه برای حل این مشکل، استفاده از ایده یادگیری گروهی است، که می‌تواند در فضای مدل‌ها یا در فضای خروجی اتفاق افتد با توجه به نیازمندی پردازشی بالا در مدلهای زبانی مبتنی بر شبکه‌های انتقالی، اجرای ایده یادگیری گروهی در فضای خروجی بهینه‌تر به نظر می‌ر‌سد. زمانی که هدف ترکیب چند متن (در اینجا خلاصه) و ایجاد یک برآیند از آن‌ها است، نمی‌توان به راحتی راه‌حلی برای ترکیب خروجی‌ها ارائه داد. به این منظور جهت تولید یک مدل گروهی از یک شبکه عصبی استفاده شده تا خروجی‌های شبکه‌های دیگر با هم ترکیب شوند. برای اینکار پنج ترنسفورمر از پیش آموزش دیده استفاده شد تا خروجی تولید کنند، با استفاده از این خروجی‌ها مجموعه‌داده جدیدی تولید شد و برای آموزش یک ترنسفورمر استفاده شد تا خلاصه‌ها را بهبود بخشد. با توجه به اینکه خروجی هر مدل دارای نکات مختلفی از متن است هدف آن است که با ترکیب این خروجی‌ها بتوان نکات قوت هر مدل را ترکیب کند. مدل پیشنهادی با معیارهای ارزیابی مختلف ارزیابی شد، در تمام معیارها بهتر عمل کرد و مشخص شد که خروجی‌ای کاملا بهتر از هر مدل پایه تولید می‌کند.