Modernbert Large Qe Maxlen512 V1

🚀 機器翻譯質量評估模型

本項目的模型用於機器翻譯系統的無參考質量評估（QE），基於特定數據集對預訓練模型進行微調，能為機器翻譯的質量提供量化評估，在相關任務中具有重要價值。

🚀 快速開始

本模型是 answerdotai/ModernBERT-large 在 ymoslem/wmt-da-human-evaluation 數據集上的微調版本。 它在評估集上取得了以下結果：

• 損失值：0.0564

✨ 主要特性

• 多語言支持：支持多種語言，包括多語言、孟加拉語、捷克語、德語、英語等。
• 質量評估：用於機器翻譯的無參考質量評估。

📦 安裝指南

安裝所需的庫：

pip3 install --upgrade datasets accelerate transformers
pip3 install --upgrade flash_attn triton

💻 使用示例

基礎用法

# 加載測試數據集
from datasets import load_dataset

test_dataset = load_dataset("ymoslem/wmt-da-human-evaluation",
                             split="test",
                             trust_remote_code=True
                            )
print(test_dataset)

# 加載模型和分詞器
from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch

# 加載微調後的模型和分詞器
model_name = "ymoslem/ModernBERT-large-qe-maxlen512-v1"
model = AutoModelForSequenceClassification.from_pretrained(
    model_name,
    device_map="auto",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# 如果有可用的GPU，將模型移到GPU上
device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)
model.eval()

# 準備數據集
sep_token = tokenizer.sep_token
input_test_texts = [f"{src} {sep_token} {tgt}" for src, tgt in zip(test_dataset["src"], test_dataset["mt"])]

# 生成預測
from transformers import pipeline

classifier = pipeline("text-classification",
                      model=model_name,
                      tokenizer=tokenizer,
                      device=0,
                     )

predictions = classifier(input_test_texts,
                         batch_size=128,
                         truncation=True,
                         padding="max_length",
                         max_length=tokenizer.model_max_length,
                       )
predictions = [prediction["score"] for prediction in predictions]

高級用法

# 使用更精細的代碼進行預測
from torch.utils.data import DataLoader
import torch
from tqdm.auto import tqdm

# 分詞函數
def process_batch(batch, tokenizer, device):
    sep_token = tokenizer.sep_token
    input_texts = [f"{src} {sep_token} {tgt}" for src, tgt in zip(batch["src"], batch["mt"])]
    tokens = tokenizer(input_texts,
                       truncation=True,
                       padding="max_length",
                       max_length=tokenizer.model_max_length,
                       return_tensors="pt",
                      ).to(device)
    return tokens

# 創建DataLoader進行批量處理
test_dataloader = DataLoader(test_dataset, 
                             batch_size=128,   # 根據需要調整批量大小
                             shuffle=False)

# 存儲所有預測結果的列表
predictions = []

with torch.no_grad():
    for batch in tqdm(test_dataloader, desc="Inference Progress", unit="batch"):

        tokens = process_batch(batch, tokenizer, device)
        
        # 前向傳播：生成模型的對數幾率
        outputs = model(**tokens)

        # 獲取對數幾率（預測結果）
        logits = outputs.logits

        # 提取回歸預測值
        batch_predictions = logits.squeeze()

        # 將預測結果添加到列表中
        predictions.extend(batch_predictions.tolist())

📚 詳細文檔

模型描述

此模型用於機器翻譯（MT）系統的無參考質量評估（QE）。

訓練過程

訓練超參數

此版本的模型使用 tokenizer.model_max_length = 512。 完整長度為 8192 的模型可在此處找到 ymoslem/ModernBERT-large-qe-v1。 訓練期間使用了以下超參數：

• 學習率：8e-05
• 訓練批量大小：128
• 評估批量大小：128
• 隨機種子：42
• 優化器：使用 OptimizerNames.ADAMW_TORCH_FUSED，β值為 (0.9, 0.999)，ε值為 1e-08，無額外優化器參數
• 學習率調度器類型：線性
• 訓練步數：10000

訓練結果

框架版本

• Transformers 4.48.0
• Pytorch 2.4.1+cu124
• Datasets 3.2.0
• Tokenizers 0.21.0

模型信息

評估指標

📄 許可證

本項目採用 apache-2.0 許可證。