Madlad400 10b Mt

🚀 MADLAD-400-7B-MT模型卡片

MADLAD-400-10B-MT是基於T5架構的多語言機器翻譯模型，在涵蓋超450種語言的2500億個標記上進行訓練，與更大規模的模型相比也頗具競爭力。

🚀 快速開始

以下是使用該模型的示例腳本：

使用transformers庫調用PyTorch模型

在CPU或GPU上運行模型

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!

使用Candle運行模型

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

✨ 主要特性

• 多語言支持：支持超400種語言的機器翻譯和多語言NLP任務。
• 架構優勢：基於T5架構，在大規模數據上訓練，性能表現出色。

📚 詳細文檔

模型詳情

模型描述

用途

直接使用和下游使用

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

超出適用範圍的使用

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

倫理考量和風險

我們使用MADLAD-400和公開可用的數據訓練這些模型，以創建支持超400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。儘管進行了廣泛的預處理，但由於這些模型是在網絡爬取的數據集上訓練的，這些數據集可能包含敏感、冒犯性或其他低質量的內容，因此底層訓練數據中的這些問題仍可能導致模型性能差異以及某些領域的有毒（或其他有問題）輸出。此外，大型模型是具有特定使用和開發風險的兩用技術。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，並參考Liebling等人的文章，以深入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，均使用MADLAD-400。對於機器翻譯模型，還使用了涵蓋157種語言的並行數據源組合。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:

@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

本模型使用Apache 2.0許可證。