Apstraktno sažimanje teksta snažan je alat pomoću kojega možemo sažeti tekstualne informacije u današnjem svijetu. U sklopu ovog završnog rada, implementirali smo malen, fino podešen, "sequence to sequence" BERT model kojim smo htjeli izvršiti zadatak sažimanja. Taj BERT model smo usporedili s dva osnovna modela od kojih je prvi model "Sequential Sentence Selection" model, koji izvlačenjem rečenica iz originalnog teksta takozvanim "ekstraktivnim" sažimanjem teksta, gradi sažetke tekstova. Drugi osnovni model je apstraktni sažimatelj teksta BERT -koji nismo prethodno trenirali-, koji gleda kontekst samog teksta te na temelju njega gradi sažetak koji ima smisla. Naše modele smo trenirali i testirali nad jednim dijelom Newsroom skupova podataka. Newsroom je trenutno jedan od najvećih skupa podataka novinskih članaka u svijetu te on sadrži preko 1.3 milijuna novinskih članaka iz 38 velikih izdavačkih kuća. Svaki članak uz sebe ima i sažetak članka, napisan od strane autora, s kojim smo uspoređivali sažetke koje su generirali modeli. Fino podešen BERT daje ROUGE-2 vrijednost od 18.79 nad testnim skupom, što je značajno bolje nego prva dva osnovna modela koja su imala 7.21 i 14.12 za ROUGE-2. Ovime ne samo da smo pokazali kako fino podešavanje apstraktnog sažimatelja teksta, čak i nad skupom s visokom varijancom među podatcima poput Newsroom-a, može dati bolje rezultate nego ostali trenutni modeli evidentirani u radovima koji se bave malim modelima sažimanja teksta. Međutim, treba uzeti u obzir kako je ovo daleko od prvorazrednih modela poput GPT-3 ili Pegasus-a, no i dalje pokazuja kako čak i mali modeli mogu vratiti zadovoljavajuće rezultate.