Madlad400 7b Mt

🚀 MADLAD - 400 - 7B - MT模型卡片

MADLAD - 400 - 7B - MT是基於T5架構的多語言機器翻譯模型，使用公開數據在2500億個涵蓋超450種語言的標記上進行訓練。它能與規模大得多的模型相媲美。

🚀 快速開始

使用transformers運行PyTorch模型

首先，安裝所需的Python包：

pip install transformers accelerate sentencepiece

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!

使用Candle運行模型

$ cargo run --example t5 --release  -- \
  --model-id "jbochi/madlad400-7b-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，在多語言處理上表現出色。
• 數據豐富：使用涵蓋2500億個標記的公開數據進行訓練。

📦 安裝指南

使用transformers庫運行模型時，需安裝以下Python包：

pip install transformers accelerate sentencepiece

💻 使用示例

基礎用法

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!

📚 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：超400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、風險和限制

倫理考量和風險

我們使用MADLAD - 400和公開數據訓練這些模型，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，但由於這些模型在網絡爬取的數據集上進行訓練，這些數據集可能包含敏感、冒犯性或其他低質量內容，因此底層訓練數據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。

訓練詳情

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。更多詳細信息請參閱論文。

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

在評估中，我們使用了WMT、NTREX、Flores - 200和Gatones數據集，如論文第4.3節所述。

該模型的翻譯質量因語言而異，如論文所示，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。

📄 許可證

本模型使用Apache 2.0許可證。

📖 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}
}