Madlad400 3b Mt

🚀 MADLAD-400-3B-MTモデルカード

MADLAD-400-3B-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450以上の言語をカバーする1兆トークンで学習されており、大幅に大きい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、モデルの使用方法に関する基本的な情報を提供します。

✨ 主な機能

• 多言語対応：400以上の言語をサポートし、機械翻訳や多言語NLPタスクに使用できます。
• 高性能：公開データを使用してトレーニングされ、大規模なモデルと競争力があります。

📦 インストール

Pytorchモデルの使用

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 protobuf

Candleを使用した実行

candleを使用する場合は、以下のコマンドを実行します。

$ cargo run --example t5 --release  -- \
  --model-id "jbochi/madlad400-3b-mt" \
  --prompt "<2de> How are you, my friend?" \
  --decode --temperature 0

💻 使用例

Pytorchモデルの使用

from transformers import T5ForConditionalGeneration, T5Tokenizer

model_name = 'jbochi/madlad400-3b-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!

Candleを使用した実行

$ cargo run --example t5 --release  -- \
  --model-id "jbochi/madlad400-3b-mt" \
  --prompt "<2de> How are you, my friend?" \
  --decode --temperature 0

📚 ドキュメント

モデル詳細

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トレーニングされているため、ドメイン固有のモデルではそのままでは機能しません。さらに、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

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トレーニングされ、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しました。大規模コーパスで代表されていない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トレーニングされているため、基礎となるトレーニングデータの問題が、モデルのパフォーマンスの違いや、特定のドメインに対する有毒（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。さらに、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の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。

トレーニング詳細

トレーニングデータ

機械翻訳と言語モデルの両方にMADLAD-400が使用されます。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ます。詳細については、論文を参照してください。

トレーニング手順

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、およびメトリクス

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。

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

@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}
}