Madlad400 3b Mt

🚀 MADLAD-400-3B-MT模型卡片

MADLAD-400-3B-MT是一款基于T5架构的多语言机器翻译模型。它使用公开数据在涵盖超450种语言的1万亿个标记上进行训练，能与规模大得多的模型相抗衡。

🚀 快速开始

安装依赖

使用该模型前，你需要安装必要的Python包：

pip install transformers accelerate sentencepiece

代码示例

以下是使用该模型进行翻译的Python代码示例：

from transformers import T5ForConditionalGeneration, T5Tokenizer

model_name = 'jbochi/madlad400-3b-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运行模型

使用 candle 运行模型的示例命令如下：

$ cargo run --example t5 --release  -- \
  --model-id "jbochi/madlad400-3b-mt" \
  --prompt "<2de> How are you, my friend?" \
  --decode --temperature 0

我们还提供了量化模型（1.65 GB，原文件为11.8 GB）：

cargo run --example quantized-t5 --release  -- \
  --model-id "jbochi/madlad400-3b-mt" --weight-file "model-q4k.gguf" \
  --prompt "<2de> How are you, my friend?" \
  --temperature 0
# ...
# Wie geht es dir, mein Freund?

✨ 主要特性

• 多语言支持：支持超400种语言，适用于广泛的机器翻译和多语言NLP任务。
• 架构优势：基于T5架构，在多语言处理上表现出色。
• 数据丰富：使用涵盖超450种语言的1万亿个标记进行训练，数据量充足。

📦 安装指南

使用Python包安装

pip install transformers accelerate sentencepiece

💻 使用示例

基础用法

from transformers import T5ForConditionalGeneration, T5Tokenizer

model_name = 'jbochi/madlad400-3b-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!

高级用法

使用Candle运行模型的高级示例：

cargo run --example quantized-t5 --release  -- \
  --model-id "jbochi/madlad400-3b-mt" --weight-file "model-q4k.gguf" \
  --prompt "<2de> How are you, my friend?" \
  --temperature 0

📚 详细文档

模型详情

使用场景

直接使用和下游使用

主要预期用途：机器翻译和超400种语言的多语言NLP任务。 主要预期用户：研究社区。

超出范围的使用

这些模型在通用领域数据上进行训练，因此不能直接用于特定领域的模型。此外，这些研究模型尚未针对生产用例进行评估。

偏差、风险和限制

伦理考虑和风险

我们仅对这些模型支持的204种语言以及机器翻译和少样本机器翻译任务进行了评估。用户在使用此模型时必须谨慎考虑自身用例。

这些模型使用MADLAD-400和公开数据进行训练，以创建支持超400种语言NLP的基线模型，重点关注大规模语料库中代表性不足的语言。尽管进行了广泛的预处理，但由于这些模型是在网络爬取的数据集上训练的，这些数据集可能包含敏感、冒犯性或其他低质量内容，因此底层训练数据的这些问题仍可能导致模型性能差异以及某些领域的有毒（或其他有问题）输出。此外，大型模型是具有特定使用和开发风险的两用技术。我们建议读者参考Weidinger等人或Bommasani等人撰写的调查，以更详细地讨论这些风险，并参考Liebling等人的文章，以全面讨论机器翻译系统的风险。

已知限制

更多信息待补充。

敏感使用

更多信息待补充。

训练详情

训练数据

对于机器翻译和语言模型，均使用MADLAD-400。对于机器翻译模型，还使用了涵盖157种语言的并行数据源组合。更多详细信息请参阅 论文。

训练过程

更多详细信息请参阅 研究论文。

评估

测试数据、因素和指标

评估时，我们使用了WMT、NTREX、Flores-200和Gatones数据集，具体描述见 论文 第4.3节。

该模型的翻译质量因语言而异，如论文所示，并且可能因领域而异，尽管我们尚未对此进行评估。

结果

更多详细信息请参阅 研究论文。

环境影响

更多信息待补充。

📄 许可证

本模型使用Apache 2.0许可证。

📖 引用

如需引用该模型，请使用以下BibTeX格式：

@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}
}