Cendol Mt5 Small Chat

🚀 センドル：インドネシア語向けのオープンな命令調整型生成大規模言語モデル

センドルは、インドネシア語の微調整された生成大規模言語モデルのオープンソースコレクションです。デコーダーのみとエンコーダー・デコーダーのトランスフォーマーモデルアーキテクチャをカバーし、パラメータ数は3億から130億までの規模です。

これは 3億パラメータのセンドル mT5-small チャットモデル のリポジトリです。他のモデルへのリンクは以下にあります。

✨ 主な機能

モデルの詳細

注意: センドルの使用は Apache 2.0ライセンス の下でライセンスされています。

概要

IndoNLPは、大規模言語モデル（LLM）のセンドルファミリーを開発し、公開しました。これは、事前学習と微調整された生成テキストモデルのコレクションで、パラメータ数は5億6000万から130億までの規模です。

センドルモデルは2つの命令調整バージョンをカバーしています。

1. センドル - インストラクト：感情分析、トピックモデリング、機械翻訳、要約、質問応答、言い換えなどのタスク固有のNLPデータで命令調整されたモデル。
2. センドル - チャット：センドル - インストラクト から一般知識と人間中心のプロンプトで継続的に命令調整されたモデル。

センドル - インストラクトとセンドル - チャットの両方が、単ターンの会話を想定して設計されています。センドルは、テストしたほとんどのベンチマークで、オープンソースの多言語および地域固有のLLMを大きく上回っています。センドルの小規模バージョン（10億未満のパラメータ）は、70億パラメータの他のLLMとも非常に競争力があります。

モデル開発者: IndoNLP

バリエーション

センドルは2つのベースモデル（mT5とLLaMA - 2）から派生しており、それぞれにさまざまなパラメータサイズがあります。mT5ベースのセンドルには、3億（mT5 - small）、5億8000万（mT5 - base）、12億（mT5 - large）、37億（mT5 - XL）、130億（mT5 - XXL）のモデルがあり、LLaMA - 2ベースのセンドルには、70億（LLaMA2 - 7B）と130億（LLaMA2 - 13B）のモデルがあります。両方のバリエーションには、センドル - インストラクトとセンドル - チャットのバリエーションがあります。すべての130億パラメータのモデルはLoRAで調整されており、その他は完全に微調整されています。

論文では、LoRAを使用した地域固有のLLMの適応が非効率であることを示しています。つまり、130億（mT5 - XXL）のセンドルモデルは、12億（mT5 - large）のセンドルモデルよりもわずかに性能が劣り、トレーニング時間は3倍、推論時間は4倍遅くなります。LoRAの代替として、語彙置換が地域固有の適応に有効で効率的な戦略であることを示しています。トレーニング時間と推論時間の効率をそれぞれ 11.50% と 18.71% 向上させています。 評価性能に関しては、元の語彙でトレーニングされたセンドルモデルと同等の性能を示しています。また、Indonesian - Vocab Instruct と表記されるインドネシア語彙適応モデルも公開しています。

入出力: モデルの入力と出力はテキストのみです。

モデルアーキテクチャ

モデルの日付 センドルは2023年10月から2024年1月の間にトレーニングされました。

ライセンス センドルの使用は [Apache 2.0ライセンス](https://choosealicense.com/licenses/apache - 2.0/) の下でライセンスされています。

研究論文 "Cendol: Open Instruction - tuned Generative Large Language Models for Indonesian Languages"

想定される使用方法

想定される使用事例 センドルは、特にインドネシア語に関する研究用途を想定しています。センドルモデルは単ターンの命令を想定しており、センドル - インストラクトモデルはタスク固有の命令に、センドル - チャットモデルは一般知識の命令に使用できます。

想定外の使用方法 適用される法律や規制（貿易コンプライアンス法を含む）に違反する方法での使用。英語とインドネシア語以外の言語での使用。センドルの許容使用ポリシーとライセンス契約で禁止されているその他の方法での使用。

評価結果

このセクションでは、大規模なNLUとNLGのベンチマークにおけるセンドルモデルの結果を報告します。すべての評価では、内部の評価ライブラリを使用しています。

NLU性能


NLG性能


人間評価


倫理的な考慮事項と制限

センドルは、使用に伴うリスクを持つ新しい技術です。これまでに行われたテストはインドネシア語で行われており、すべてのシナリオをカバーしていない、またはカバーすることができない。これらの理由から、すべてのLLMと同様に、センドルの潜在的な出力を事前に予測することはできず、モデルは場合によっては、ユーザーのプロンプトに対して不正確、偏った、またはその他の不快な応答を生成する可能性があります。したがって、センドルのアプリケーションを展開する前に、開発者はモデルの特定のアプリケーションに合わせた安全テストと調整を行う必要があります。

引用

センドルモデル、コード、またはデータを含むリソースを使用する場合は、次の論文を引用してください。

@misc{cahyawijaya - etal - 2024 - cendol,
      title={Cendol: Open Instruction - tuned Generative Large Language Models for Indonesian Languages}, 
      author={Samuel Cahyawijaya and Holy Lovenia and Fajri Koto and Rifki Afina Putri and Emmanuel Dave and Jhonson Lee and Nuur Shadieq and Wawan Cenggoro and Salsabil Maulana Akbar and Muhammad Ihza Mahendra and Dea Annisayanti Putri and Bryan Wilie and Genta Indra Winata and Alham Fikri Aji and Ayu Purwarianti and Pascale Fung},
      year={2024},
      eprint={2404.06138},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

@inproceedings{cahyawijaya - etal - 2023 - nusacrowd,
    title = "{N}usa{C}rowd: Open Source Initiative for {I}ndonesian {NLP} Resources",
    author = "Cahyawijaya, Samuel  and
      Lovenia, Holy  and
      Aji, Alham Fikri  and
      Winata, Genta  and
      Wilie, Bryan  and
      Koto, Fajri  and
      Mahendra, Rahmad  and
      Wibisono, Christian  and
      Romadhony, Ade  and
      Vincentio, Karissa  and
      Santoso, Jennifer  and
      Moeljadi, David  and
      Wirawan, Cahya  and
      Hudi, Frederikus  and
      Wicaksono, Muhammad Satrio  and
      Parmonangan, Ivan  and
      Alfina, Ika  and
      Putra, Ilham Firdausi  and
      Rahmadani, Samsul  and
      Oenang, Yulianti  and
      Septiandri, Ali  and
      Jaya, James  and
      Dhole, Kaustubh  and
      Suryani, Arie  and
      Putri, Rifki Afina  and
      Su, Dan  and
      Stevens, Keith  and
      Nityasya, Made Nindyatama  and
      Adilazuarda, Muhammad  and
      Hadiwijaya, Ryan  and
      Diandaru, Ryandito  and
      Yu, Tiezheng  and
      Ghifari, Vito  and
      Dai, Wenliang  and
      Xu, Yan  and
      Damapuspita, Dyah  and
      Wibowo, Haryo  and
      Tho, Cuk  and
      Karo Karo, Ichwanul  and
      Fatyanosa, Tirana  and
      Ji, Ziwei  and
      Neubig, Graham  and
      Baldwin, Timothy  and
      Ruder, Sebastian  and
      Fung, Pascale  and
      Sujaini, Herry  and
      Sakti, Sakriani  and
      Purwarianti, Ayu",
    editor = "Rogers, Anna  and
      Boyd - Graber, Jordan  and
      Okazaki, Naoaki",
    booktitle = "Findings of the Association for Computational Linguistics: ACL 2023",
    month = jul,
    year = "2023",
    address = "Toronto, Canada",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2023.findings - acl.868",
    doi = "10.18653/v1/2023.findings - acl.868",
    pages = "13745--13818"
}

さらに、インドネシア語とその地域言語向けの地域固有の言語モデルに関する研究に触発された場合は、次の論文も引用を検討してください。

@inproceedings{cahyawijaya - etal - 2023 - nusawrites,
    title = "{N}usa{W}rites: Constructing High - Quality Corpora for Underrepresented and Extremely Low - Resource Languages",
    author = "Cahyawijaya, Samuel  and
      Lovenia, Holy  and
      Koto, Fajri  and
      Adhista, Dea  and
      Dave, Emmanuel  and
      Oktavianti, Sarah  and
      Akbar, Salsabil  and
      Lee, Jhonson  and
      Shadieq, Nuur  and
      Cenggoro, Tjeng Wawan  and
      Linuwih, Hanung  and
      Wilie, Bryan  and
      Muridan, Galih  and
      Winata, Genta  and
      Moeljadi, David  and
      Aji, Alham Fikri  and
      Purwarianti, Ayu  and
      Fung, Pascale",
    editor = "Park, Jong C.  and
      Arase, Yuki  and
      Hu, Baotian  and
      Lu, Wei  and
      Wijaya, Derry  and
      Purwarianti, Ayu  and
      Krisnadhi, Adila Alfa",
    booktitle = "Proceedings of the 13th International Joint Conference on Natural Language Processing and the 3rd Conference of the Asia - Pacific Chapter of the Association for Computational Linguistics (Volume 1: Long Papers)",
    month = nov,
    year = "2023",
    address = "Nusa Dua, Bali",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2023.ijcnlp - main.60",
    doi = "10.18653/v1/2023.ijcnlp - main.60",
    pages = "921--945"
}

@inproceedings{winata - etal - 2023 - nusax,
    title = "{N}usa{X}: Multilingual Parallel Sentiment Dataset for 10 {I}ndonesian Local Languages",
    author = "Winata, Genta Indra  and
      Aji, Alham Fikri  and
      Cahyawijaya, Samuel  and
      Mahendra, Rahmad  and
      Koto, Fajri  and
      Romadhony, Ade  and
      Kurniawan, Kemal  and
      Moeljadi, David  and
      Prasojo, Radityo Eko  and
      Fung, Pascale  and
      Baldwin, Timothy  and
      Lau, Jey Han  and
      Sennrich, Rico  and
      Ruder, Sebastian",
    editor = "Vlachos, Andreas  and
      Augenstein, Isabelle",
    booktitle = "Proceedings of the 17th Conference of the European Chapter of the Association for Computational Linguistics",
    month = may,
    year = "2023",
    address = "Dubrovnik, Croatia",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2023.eacl - main.57",
    doi = "10.18653/v1/2023.eacl - main.57",
    pages = "815--834"
}

@inproceedings{aji - etal - 2022 - one,
    title = "One Country, 700+ Languages: {NLP} Challenges for Underrepresented Languages and Dialects in {I}ndonesia",
    author = "Aji, Alham Fikri  and
      Winata, Genta Indra  and
      Koto, Fajri  and
      Cahyawijaya, Samuel  and
      Romadhony, Ade  and
      Mahendra, Rahmad  and
      Kurniawan, Kemal  and
      Moeljadi, David  and
      Prasojo, Radityo Eko  and
      Baldwin, Timothy  and
      Lau, Jey Han  and
      Ruder, Sebastian",
    editor = "Muresan, Smaranda  and
      Nakov, Preslav  and
      Villavicencio, Aline",
    booktitle = "Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)",
    month = may,
    year = "2022",
    address = "Dublin, Ireland",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2022.acl - long.500",
    doi = "10.18653/v1/2022.acl - long.500",
    pages = "7226--7249"
}

@inproceedings{cahyawijaya - etal - 2021 - indonlg,
    title = "{I}ndo{NLG}: Benchmark and Resources for Evaluating {I}ndonesian Natural Language Generation",
    author = "Cahyawijaya, Samuel  and
      Winata, Genta Indra  and
      Wilie, Bryan  and
      Vincentio, Karissa  and
      Li, Xiaohong  and
      Kuncoro, Adhiguna  and
      Ruder, Sebastian  and
      Lim, Zhi Yuan  and
      Bahar, Syafri  and
      Khodra, Masayu  and
      Purwarianti, Ayu  and
      Fung, Pascale",
    editor = "Moens, Marie - Francine  and
      Huang, Xuanjing  and
      Specia, Lucia  and
      Yih, Scott Wen - tau",
    booktitle = "Proceedings of the 2021 Conferen