Madlad400 10b Mt

🚀 MADLAD - 400 - 10B - MT模型卡片

MADLAD - 400 - 10B - MT是一個基於T5架構的多語言機器翻譯模型。它使用公開可用的數據，在涵蓋450多種語言的2500億個標記上進行訓練，能與規模大得多的模型相媲美。

🚀 快速開始

使用transformers庫運行PyTorch模型

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!

使用Candle運行模型

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

✨ 主要特性

• 支持400多種語言的機器翻譯和多語言NLP任務。
• 基於T5架構，在大規模多語言數據上訓練，能與更大規模的模型競爭。

📦 安裝指南

使用transformers庫時，運行以下命令安裝所需的Python包： pip install transformers accelerate sentencepiece

💻 使用示例

基礎用法

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!

高級用法

使用Candle運行模型：

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

📚 詳細文檔

模型詳情

使用場景

直接使用和下游使用

主要預期用途：400多種語言的機器翻譯和多語言NLP任務。 主要預期用戶：研究社區。

超出範圍的使用

這些模型在通用領域數據上進行訓練，因此不能直接用於特定領域的模型。此外，這些研究模型尚未針對生產用例進行評估。

偏差、風險和侷限性

倫理考慮和風險

我們使用MADLAD - 400和公開可用的數據訓練這些模型，以創建支持400多種語言NLP的基線模型，重點關注大規模語料庫中代表性不足的語言。由於這些模型是使用網絡爬取的數據集進行訓練的，儘管進行了廣泛的預處理，但這些數據集仍可能包含敏感、冒犯性或其他低質量的內容，因此底層訓練數據的這些問題仍可能導致模型性能的差異，以及在某些領域產生有毒（或其他有問題）的輸出。此外，大型模型是兩用技術，其使用和開發存在特定風險。我們建議讀者參考Weidinger等人或Bommasani等人撰寫的調查，以更詳細地討論這些風險，參考Liebling等人的文章以全面討論機器翻譯系統的風險。

已知侷限性

更多信息待補充。

敏感使用

更多信息待補充。

訓練詳情

我們訓練了各種規模的模型：一個30億參數、32層的模型，一個72億參數、48層的模型和一個107億參數、32層的模型。我們在語言對之間共享模型的所有參數，並使用一個在編碼器和解碼器端共享256k標記的Sentence Piece模型。每個輸入句子在源句子前添加一個 <2xx> 標記，以指示目標語言。

更多詳細信息請參閱 研究論文。

訓練數據

對於機器翻譯和語言模型，都使用了MADLAD - 400。對於機器翻譯模型，還使用了涵蓋157種語言的平行數據源組合。更多詳細信息在 論文 中描述。

訓練過程

更多詳細信息請參閱 研究論文。

評估

測試數據、因素和指標

為了進行評估，我們使用了WMT、NTREX、Flores - 200和Gatones數據集，如 論文 第4.3節所述。

如論文所示，該模型的翻譯質量因語言而異，並且可能因領域而異，儘管我們尚未對此進行評估。

結果

更多詳細信息請參閱 研究論文。

環境影響

更多信息待補充。

引用

BibTeX格式：

@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}
}

📄 許可證

本項目採用Apache 2.0許可證。