Madlad400 10b Mt

🚀 MADLAD-400-10B-MTのモデルカード

MADLAD-400-10B-MTは、T5アーキテクチャに基づく多言語機械翻訳モデルです。公開データを使用して2500億トークン、450以上の言語で学習されており、大幅に大きなモデルと競争力があります。

🚀 クイックスタート

このセクションでは、MADLAD-400-10B-MTモデルを使用するための基本的な手順を説明します。

✨ 主な機能

• 400以上の言語に対応した多言語機械翻訳と多言語NLPタスクをサポートします。
• 公開データを使用して学習され、大規模コーパスでは過小評価されている言語に焦点を当てています。

📦 インストール

Pytorchモデルをtransformersで使用する場合

まず、必要なPythonパッケージをインストールします。

pip install transformers accelerate sentencepiece

Candleでモデルを実行する場合

candleを使用するには、以下のコマンドを実行します。

$ cargo run --example t5 --release  -- \
  --model-id "google/madlad400-10b-mt" \
  --prompt "<2de> How are you, my friend?" \
  --decode --temperature 0

💻 使用例

基本的な使用法

from transformers import T5ForConditionalGeneration, T5Tokenizer

model_name = 'google/madlad400-10b-mt'
model = T5ForConditionalGeneration.from_pretrained(model_name, device_map="auto")
tokenizer = T5Tokenizer.from_pretrained(model_name)

text = "<2pt> I love pizza!"
input_ids = tokenizer(text, return_tensors="pt").input_ids.to(model.device)
outputs = model.generate(input_ids=input_ids)

tokenizer.decode(outputs[0], skip_special_tokens=True)
# Eu adoro pizza!

📚 ドキュメント

直接使用と下流の使用

主な使用目的は、400以上の言語に対する機械翻訳と多言語NLPタスクです。主なユーザーは研究コミュニティです。

範囲外の使用

これらのモデルは一般ドメインのデータで学習されているため、ドメイン固有のモデルではそのままでは機能しません。また、これらの研究モデルは本番環境での使用について評価されていません。

バイアス、リスク、および制限

これらのモデルがサポートする204の言語と機械翻訳およびフェデレーション学習の機械翻訳タスクのみで評価しています。ユーザーは自分のユースケースについてこのモデルの使用を慎重に検討する必要があります。

倫理的な考慮事項とリスク

これらのモデルは、MADLAD-400と公開データを使用して、400以上の言語のNLPをサポートするベースラインモデルを作成するために学習されました。大規模コーパスで過小評価されている言語に焦点を当てています。これらのモデルは、広範な前処理にもかかわらず、敏感な、不快な、またはその他の低品質のコンテンツを含む可能性のあるウェブクロールデータセットで学習されているため、基礎となる学習データの問題が、特定のドメインのモデル性能の違いや有毒（またはその他の問題のある）出力を引き起こす可能性があります。また、大規模モデルは、その使用と開発に関連する特定のリスクを持つ二重用途技術です。これらのリスクについてより詳細な議論については、WeidingerらやBommasaniらによる調査を参照してください。また、機械翻訳システムのリスクについての詳細な議論については、Lieblingらを参照してください。

学習の詳細

様々なサイズのモデルを学習します。3B、32層のパラメータモデル、7.2B、48層のパラメータモデル、および10.7B、32層のパラメータモデルです。言語ペア全体でモデルのすべてのパラメータを共有し、エンコーダとデコーダの両方で256kトークンのSentence Pieceモデルを使用します。各入力文には、ターゲット言語を示すために<2xx>トークンがソース文の前に付加されます。詳細については、研究論文を参照してください。

評価

評価には、論文のセクション4.3で説明されているWMT、NTREX、Flores-200、およびGatonesデータセットを使用しました。このモデルの翻訳品質は、論文に示されているように言語によって異なり、ドメインによっても異なる可能性がありますが、これについては評価していません。

環境への影響

詳細情報は必要です。

🔧 技術詳細

モデルの詳細

📄 ライセンス

このモデルはApache 2.0ライセンスの下で提供されています。

📖 引用

@misc{kudugunta2023madlad400,
      title={MADLAD-400: A Multilingual And Document-Level Large Audited Dataset}, 
      author={Sneha Kudugunta and Isaac Caswell and Biao Zhang and Xavier Garcia and Christopher A. Choquette-Choo and Katherine Lee and Derrick Xin and Aditya Kusupati and Romi Stella and Ankur Bapna and Orhan Firat},
      year={2023},
      eprint={2309.04662},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}