Le succès des modèles de résumé neuronal provient des encodages méticuleux des articles sources. Pour surmonter les obstacles liés aux données d'entraînement limitées et parfois bruyantes, une direction prometteuse consiste à tirer un meilleur parti des données d'entraînement disponibles en appliquant des filtres lors du résumé. Dans cet article, nous proposons un nouveau modèle Bi-directional Selective Encoding with Template (BiSET), qui utilise des modèles découverts dans les données d'entraînement pour sélectionner doucement les informations clés de chaque article source afin de guider son processus de résumé. Des expériences approfondies ont été menées sur un jeu de données standard de résumé, et les résultats montrent que le modèle BiSET équipé de modèles parvient à améliorer significativement les performances de résumé, établissant un nouveau niveau d'excellence dans l'état de l'art.