En el mundo actual impulsado por los datos, la resumición automática de textos es esencial para extraer información de grandes volúmenes de datos. Mientras que la resumición extractiva está bien estudiada, la resumición abstractiva sigue siendo limitada, especialmente para lenguas de bajos recursos como el urdu. Este estudio introduce innovación en los procesos a través de modelos basados en transformadores: Efficient-BART (EBART), Efficient-T5 (ET5) y Efficient-GPT-2 (EGPT-2), optimizados para la resumición abstractiva en urdu. Las innovaciones incluyen la eliminación estratégica de cabezales de atención ineficientes para reducir la complejidad computacional y mejorar la precisión. Teóricamente, esta poda preserva la integridad estructural al retener cabezales que capturan diversas características lingüísticas, mientras se eliminan los redundantes. Adaptados de BART, T5 y GPT-2, estos modelos optimizados superan significativamente a sus originales en evaluaciones ROUGE, demostrando la efectividad de la innovación en procesos y la optimización para el procesamiento del lenguaje natural en urdu.