ALMA 7B

🚀 ALMA（高級基於語言模型的翻譯器）

ALMA（Advanced Language Model-based trAnslator）是一個基於大語言模型（LLM）的翻譯模型，採用了全新的翻譯模型範式：先在單語數據上進行微調，再使用高質量的平行數據進一步優化。這種兩步微調過程確保了強大的翻譯性能。更多詳細信息請參考我們的論文。

@misc{xu2023paradigm,
      title={A Paradigm Shift in Machine Translation: Boosting Translation Performance of Large Language Models}, 
      author={Haoran Xu and Young Jin Kim and Amr Sharaf and Hany Hassan Awadalla},
      year={2023},
      eprint={2309.11674},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

ALMA - R（全新發布！） ALMA - R 基於 ALMA 模型構建，與 ALMA 中使用的監督微調不同，它使用我們提出的對比偏好優化（CPO） 進行進一步的 LoRA 微調。CPO 微調需要我們的[三元組偏好數據](https://huggingface.co/datasets/haoranxu/ALMA - R - Preference)進行偏好學習。現在，ALMA - R 的性能可以媲美甚至超越 GPT - 4 或 WMT 獲勝者！

@misc{xu2024contrastive,
      title={Contrastive Preference Optimization: Pushing the Boundaries of LLM Performance in Machine Translation}, 
      author={Haoran Xu and Amr Sharaf and Yunmo Chen and Weiting Tan and Lingfeng Shen and Benjamin Van Durme and Kenton Murray and Young Jin Kim},
      year={2024},
      eprint={2401.08417},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

✨ 主要特性

模型發佈

我們發佈了論文中介紹的六個翻譯模型：

• ALMA - 7B：在 200 億單語詞元上對 LLaMA - 2 - 7B 進行全量權重微調，然後在人工編寫的平行數據上進行全量權重微調。
• ALMA - 7B - LoRA：在 200 億單語詞元上對 LLaMA - 2 - 7B 進行全量權重微調，然後在人工編寫的平行數據上進行LoRA微調。
• ALMA - 7B - R（全新發布！）：在 ALMA - 7B - LoRA 的基礎上，使用對比偏好優化進行進一步的 LoRA 微調。
• ALMA - 13B：在 120 億單語詞元上對 LLaMA - 2 - 7B 進行全量權重微調，然後在人工編寫的平行數據上進行全量權重微調。
• ALMA - 13B - LoRA（我們的最佳系統）：在 120 億單語詞元上對 LLaMA - 2 - 7B 進行全量權重微調，然後在人工編寫的平行數據上進行LoRA微調。
• ALMA - 13B - R（全新發布！）：在 ALMA - 13B - LoRA 的基礎上，使用對比偏好優化進行進一步的 LoRA 微調。

模型檢查點已在 Hugging Face 上發佈：

⚠️ 重要提示

請注意，ALMA - 7B - Pretrain 和 ALMA - 13B - Pretrain 不是翻譯模型。它們僅經歷了第一階段的單語微調（7B 模型為 200 億詞元，13B 模型為 120 億詞元），應與它們的 LoRA 模型結合使用。

數據集發佈

ALMA 和 ALMA - R 使用的數據集也已在 Hugging Face 上發佈（全新發布！）

🚀 快速開始

以下是使用 ALMA - 13B - LoRA 系統進行翻譯的快速入門示例，將“我愛機器翻譯。”翻譯成英語：

import torch
from peft import PeftModel
from transformers import AutoModelForCausalLM
from transformers import LlamaTokenizer

# Load base model and LoRA weights
model = AutoModelForCausalLM.from_pretrained("haoranxu/ALMA-13B-Pretrain", torch_dtype=torch.float16, device_map="auto")
model = PeftModel.from_pretrained(model, "haoranxu/ALMA-13B-Pretrain-LoRA")
tokenizer = LlamaTokenizer.from_pretrained("haoranxu/ALMA-13B-Pretrain", padding_side='left')

# Add the source setence into the prompt template
prompt="Translate this from Chinese to English:\nChinese: 我愛機器翻譯。\nEnglish:"
input_ids = tokenizer(prompt, return_tensors="pt", padding=True, max_length=40, truncation=True).input_ids.cuda()

# Translation
with torch.no_grad():
    generated_ids = model.generate(input_ids=input_ids, num_beams=5, max_new_tokens=20, do_sample=True, temperature=0.6, top_p=0.9)
outputs = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)
print(outputs)

更多詳細信息請參考我們的 GitHub 倉庫。

📄 許可證

本項目採用 MIT 許可證。