Madlad400 7b Mt

🚀 MADLAD-400-7B-MT 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。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

MADLAD-400-7B-MTモデルを使用するには、以下の例を参考にしてください。

使用例

英語からポルトガル語への翻訳

from transformers import T5ForConditionalGeneration, T5Tokenizer

model_name = 'jbochi/madlad400-7b-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を使用した英語からドイツ語への翻訳

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

✨ 主な機能

• 多言語対応：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。
• 高性能：公開データを使用して学習され、大規模なモデルと競争力があります。

📦 インストール

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

📚 ドキュメント

モデル詳細

使用用途

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、ドメイン固有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、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、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。ただし、これらのモデルはウェブクロールデータセットで学習されており、広範な前処理を行っても、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ります。したがって、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。

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で説明されているように、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、論文に見られるように言語によって異なり、おそらくドメインによっても異なりますが、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}
}