Librarian Bot: Add base_model information to model

This pull request aims to enrich the metadata of your model by adding [`google/flan-t5-large`](https://huggingface.co/google/flan-t5-large) as a `base_model` field, situated in the `YAML` block of your model's `README.md`.

How did we find this information? We performed a regular expression match on your `README.md` file to determine the connection.

**Why add this?** Enhancing your model's metadata in this way:
- **Boosts Discoverability** - It becomes straightforward to trace the relationships between various models on the Hugging Face Hub.
- **Highlights Impact** - It showcases the contributions and influences different models have within the community.

For a hands-on example of how such metadata can play a pivotal role in mapping model connections, take a look at [librarian-bots/base_model_explorer](https://huggingface.co/spaces/librarian-bots/base_model_explorer).

This PR comes courtesy of [Librarian Bot](https://huggingface.co/librarian-bot). If you have any feedback, queries, or need assistance, please don't hesitate to reach out to [@davanstrien](https://huggingface.co/davanstrien). Your input is invaluable to us!

README.md

@@ -1,60 +1,52 @@
 ---
-license: apache-2.0
 language:
-  - fr
+- fr
+license: apache-2.0
 tags:
-  - flan-t5
-  - qa
-  - lfqa
-  - information retrieval
+- flan-t5
+- qa
+- lfqa
+- information retrieval
 datasets:
-  - vblagoje/lfqa
+- vblagoje/lfqa
 metrics:
-  - rouge
-model-index:
-  - name: flan-t5-large-lfqa-fr-v3
-    results: []
+- rouge
 widget:
-  - text: >-
-      Please answer to the following question : Comment fonctionne un modèle de langue ? Que signifi un modèle
-      de question réponse générative ?  context :   Les modèles de langage basés
-      sur le deep learning sont des modèles dapprentissage automatique qui
-      utilisent des techniques dapprentissage profond pour effectuer des tâches
-      de langage.En traitement automatique des langues, un modèle de langage est
-      un modèle statistique qui modélise la distribution de séquences de mots,
-      plus généralement de séquences de symboles discrets (lettres, phonèmes,
-      mots), dans une langue naturelle. Un modèle de langage peut par exemple
-      prédire le mot suivant une séquence de mots1.BERT, GPT-3 et Bloom sont des
-      modèles de langage.Les modèles de Question Réponse (QA) permette 
-      d'automatiser la réponse aux questions fréquemment posées en utilisant une
-      base de connaissances (documents) comme contexte. Les réponses aux
-      questions des clients peuvent être tirées de ces documents.Il existe
-      différentes variantes de modèle de question réponse : question réponse
-      extractive : le modèle extrait la réponse d'un contexte. Le contexte ici
-      peut être un texte fourni, un tableau ou même du HTML ! Ceci est
-      généralement résolu avec des modèles de type BERT. question réponse
-      générative ouverte : le modèle génère du texte libre directement en
-      fonction du contexte. question réponse générative fermée : dans ce cas,
-      aucun contexte n'est fourni. La réponse est entièrement générée par un
-      modèle.Les modèles de langage basés sur le deep learning sont des modèles
-      dapprentissage automatique qui utilisent des techniques dapprentissage
-      profond pour effectuer des tâches de langage.En traitement automatique des
-      langues, un modèle de langage est un modèle statistique qui modélise la
-      distribution de séquences de mots, plus généralement de séquences de
-      symboles discrets (lettres, phonèmes, mots), dans une langue naturelle. Un
-      modèle de langage peut par exemple prédire le mot suivant une séquence de
-      mots.Les modèles de Question Réponse (QA) permette  d'automatiser la
-      réponse aux questions fréquemment posées en utilisant une base de
-      connaissances (documents) comme contexte. Les réponses aux questions des
-      clients peuvent être tirées de ces documents.Il existe différentes
-      variantes de modèle de question réponse : question réponse extractive : le
-      modèle extrait la réponse d'un contexte. Le contexte ici peut être un
-      texte fourni, un tableau ou même du HTML ! Ceci est généralement résolu
-      avec des modèles de type BERT. question réponse générative ouverte : le
-      modèle génère du texte libre directement en fonction du contexte. question
-      réponse générative fermée : dans ce cas, aucun contexte n'est fourni. La
-      réponse est entièrement générée par un modèle.  
-    example_title: Les modèles de langage
+- text: 'Please answer to the following question : Comment fonctionne un modèle de
+    langue ? Que signifi un modèle de question réponse générative ?  context :   Les
+    modèles de langage basés sur le deep learning sont des modèles dapprentissage
+    automatique qui utilisent des techniques dapprentissage profond pour effectuer
+    des tâches de langage.En traitement automatique des langues, un modèle de langage
+    est un modèle statistique qui modélise la distribution de séquences de mots, plus
+    généralement de séquences de symboles discrets (lettres, phonèmes, mots), dans
+    une langue naturelle. Un modèle de langage peut par exemple prédire le mot suivant
+    une séquence de mots1.BERT, GPT-3 et Bloom sont des modèles de langage.Les modèles
+    de Question Réponse (QA) permette  d''automatiser la réponse aux questions fréquemment
+    posées en utilisant une base de connaissances (documents) comme contexte. Les
+    réponses aux questions des clients peuvent être tirées de ces documents.Il existe
+    différentes variantes de modèle de question réponse : question réponse extractive
+    : le modèle extrait la réponse d''un contexte. Le contexte ici peut être un texte
+    fourni, un tableau ou même du HTML ! Ceci est généralement résolu avec des modèles
+    de type BERT. question réponse générative ouverte : le modèle génère du texte
+    libre directement en fonction du contexte. question réponse générative fermée
+    : dans ce cas, aucun contexte n''est fourni. La réponse est entièrement générée
+    par un modèle.Les modèles de langage basés sur le deep learning sont des modèles
+    dapprentissage automatique qui utilisent des techniques dapprentissage profond
+    pour effectuer des tâches de langage.En traitement automatique des langues, un
+    modèle de langage est un modèle statistique qui modélise la distribution de séquences
+    de mots, plus généralement de séquences de symboles discrets (lettres, phonèmes,
+    mots), dans une langue naturelle. Un modèle de langage peut par exemple prédire
+    le mot suivant une séquence de mots.Les modèles de Question Réponse (QA) permette  d''automatiser
+    la réponse aux questions fréquemment posées en utilisant une base de connaissances
+    (documents) comme contexte. Les réponses aux questions des clients peuvent être
+    tirées de ces documents.Il existe différentes variantes de modèle de question
+    réponse : question réponse extractive : le modèle extrait la réponse d''un contexte.
+    Le contexte ici peut être un texte fourni, un tableau ou même du HTML ! Ceci est
+    généralement résolu avec des modèles de type BERT. question réponse générative
+    ouverte : le modèle génère du texte libre directement en fonction du contexte.
+    question réponse générative fermée : dans ce cas, aucun contexte n''est fourni.
+    La réponse est entièrement générée par un modèle.  '
+  example_title: Les modèles de langage
 inference:
   parameters:
     max_length: 512
@@ -64,6 +56,10 @@ inference:
     do_sample: false
     num_beams: 8
     early_stopping: true
+base_model: google/flan-t5-large
+model-index:
+- name: flan-t5-large-lfqa-fr-v3
+  results: []
 ---
 
 <!-- This model card has been generated automatically according to the information the Trainer had access to. You