Madlad400 7b Mt Bt

🚀 MADLAD-400-7B-MTのモデルカード

MADLAD-400-7B-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。450以上の言語をカバーする2500億トークンの公開データで学習されており、大幅に大きいモデルとも競争力があります。

🚀 クイックスタート

このモデルの使い方については、以下のセクションで説明します。

✨ 主な機能

• 400以上の言語に対応した機械翻訳と多言語NLPタスクをサポートします。
• 大規模コーパスでは代表されていない言語にも焦点を当てて開発されています。

📦 インストール

transformersを使用したPytorchモデルの実行

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

CPUまたはGPUでのモデルの実行

from transformers import T5ForConditionalGeneration, T5Tokenizer

model_name = 'jbochi/madlad400-7b-mt-bt'
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!

Candleを使用したモデルの実行

$ cargo run --example t5 --release  -- \
  --model-id "jbochi/madlad400-7b-mt-bt" \
  --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 = 'jbochi/madlad400-7b-mt-bt'
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!

高度な使用法

$ cargo run --example t5 --release  -- \
  --model-id "jbochi/madlad400-7b-mt-bt" \
  --prompt "<2de> How are you, my friend?" \
  --decode --temperature 0

📚 ドキュメント

モデルの詳細

使用目的

直接使用と下流使用

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、特定ドメイン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

⚠️ 重要提示

これらのモデルは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で評価されています。ユーザーは自分のユースケースに対し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ています。大規模な前処理を行っても、ウェブクロールデータセットには敏感な、不快な、または低品質なコンテンツが含まれる可能性があるため、基礎となる学習データの問題がモデルのパフォーマンスの違いや特定のドメインでの有毒な（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、大規模モデルは二重用途の技術であり、その使用と開発には特定のリスクが関連しています。これらのリスクについての詳細な議論については、WeidingerらやBommasaniらによる調査、および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

学習データ

機械翻訳と言語モデルの両方にMADLAD-400が使用されています。機械翻訳モデルには、157の言語をカバーする並列データソースの組み合わせも使用されています。詳細については、論文を参照してください。

学習手順

詳細については、研究論文を参照してください。

評価

テストデータ、要因、および指標

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データセットが使用されています。

このモデルの翻訳品質は、論文に記載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されていません。

結果

詳細については、研究論文を参照してください。

📄 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

BibTeX:

@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}
}