ALMA 13B Pretrain

🚀 ALMA（高級基於語言模型的翻譯器）

ALMA（Advanced Language Model-based trAnslator，高級基於語言模型的翻譯器）是一個基於大語言模型（LLM）的翻譯模型。它採用了一種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。這種兩步微調的過程確保了強大的翻譯性能。

更多詳細信息請參閱我們的論文。

📚 詳細文檔

模型介紹

ALMA是基於大語言模型的翻譯模型，通過獨特的兩步微調策略，先在單語數據上微調，再使用平行數據優化，實現了出色的翻譯性能。

新模型發佈

ALMA - R（新！）現已發佈！ 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（Contrastive Preference Optimization，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。目前，ALMA - R的性能已經可以媲美甚至超越GPT - 4或WMT的優勝模型！

模型引用

@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}
}

@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}
}

發佈的模型

我們發佈了論文中介紹的六個翻譯模型：

• ALMA - 7B：在200億單語token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token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（新！）：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token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token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（新！）：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token，13B模型為120億token），應與它們的LoRA模型結合使用。

發佈的數據集

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

💻 使用示例

基礎用法

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)

更多詳細信息請參閱我們的GitHub倉庫

📄 許可證

本項目採用MIT許可證。