Madlad400 10b Mt

🚀 MADLAD-400-7B-MT 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450以上の言語をカバーする2500億トークンで学習されており、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多言語機械翻訳機能
• 一般的なドメインデータで学習されたモデル

📦 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/madlad400-10b-mt" \
  --prompt "<2de> How are you, my friend?" \
  --decode --temperature 0

💻 使用例

基本的な使用法

Pytorchモデルをtransformersで使用する場合

from transformers import T5ForConditionalGeneration, T5Tokenizer

model_name = 'jbochi/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

モデルの詳細

用途

直接利用と下流利用

主な用途は、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。

範囲外の利用

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動作しません。また、これらの研究用モデルは本番環境での利用について評価されていません。

バイアス、リスク、制限事項

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、大規模コーパスで過小代表されている言語に焦点を当てた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。これらのモデルは、広範な前処理を行っても、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、特定のドメインでのモデルのパフォーマンスの違いや、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。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、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、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、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していません。

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

@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}
}