Madlad400 7b Mt Bt

🚀 MADLAD-400-7B-MT 模型卡片

MADLAD-400-7B-MT 是一个基于 T5 架构的多语言机器翻译模型。它使用公开数据在 2500 亿个涵盖 450 多种语言的标记上进行训练，能与更大规模的模型相媲美。其 72 亿参数模型的微调版本在反向翻译数据上表现出色，可显著提升英语到其他语言的翻译效果。

🚀 快速开始

使用 transformers 库运行 PyTorch 模型

在 CPU 或 GPU 上运行模型

首先，安装所需的 Python 包：

pip install transformers accelerate sentencepiece

from transformers import T5ForConditionalGeneration, T5Tokenizer

model_name = 'jbochi/madlad400-7b-mt-bt'
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 的示例：

$ cargo run --example t5 --release  -- \
  --model-id "jbochi/madlad400-7b-mt-bt" \
  --prompt "<2de> How are you, my friend?" \
  --decode --temperature 0

✨ 主要特性

• 多语言支持：支持超过 400 种语言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 MADLAD-400 和公开数据进行训练，数据覆盖广泛。

📦 安装指南

使用 transformers 库时，通过以下命令安装所需依赖：

pip install transformers accelerate sentencepiece

💻 使用示例

基础用法

from transformers import T5ForConditionalGeneration, T5Tokenizer

model_name = 'jbochi/madlad400-7b-mt-bt'
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：

$ cargo run --example t5 --release  -- \
  --model-id "jbochi/madlad400-7b-mt-bt" \
  --prompt "<2de> How are you, my friend?" \
  --decode --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：超过 400 种语言的机器翻译和多语言 NLP 任务。 主要预期用户：研究社区。

超出适用范围的使用

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、风险和局限性

伦理考虑和风险

我们使用 MADLAD-400 和公开数据训练这些模型，以创建支持 400 多种语言 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，但由于使用了网络爬取的数据集，其中可能包含敏感、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特定领域的有毒（或其他有问题）输出。此外，大型模型是两用技术，其使用和开发存在特定风险。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。

已知局限性

更多信息待补充。

敏感使用

更多信息待补充。

训练详情

我们训练了各种规模的模型：一个 30 亿参数、32 层的模型，一个 72 亿参数、48 层的模型和一个 107 亿参数、32 层的模型。我们在语言对之间共享模型的所有参数，并在编码器和解码器端使用一个包含 256k 标记的 Sentence Piece 模型。每个输入句子在源句子前添加一个 <2xx> 标记，以指示目标语言。

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

为了进行评估，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。

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

本项目采用 Apache 2.0 许可证。

📖 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}
}