Modernbert Large Qe Maxlen512 V1

🚀 机器翻译质量评估模型

本项目的模型用于机器翻译系统的无参考质量评估（QE），基于特定数据集对预训练模型进行微调，能为机器翻译的质量提供量化评估，在相关任务中具有重要价值。

🚀 快速开始

本模型是 answerdotai/ModernBERT-large 在 ymoslem/wmt-da-human-evaluation 数据集上的微调版本。 它在评估集上取得了以下结果：

• 损失值：0.0564

✨ 主要特性

• 多语言支持：支持多种语言，包括多语言、孟加拉语、捷克语、德语、英语等。
• 质量评估：用于机器翻译的无参考质量评估。

📦 安装指南

安装所需的库：

pip3 install --upgrade datasets accelerate transformers
pip3 install --upgrade flash_attn triton

💻 使用示例

基础用法

# 加载测试数据集
from datasets import load_dataset

test_dataset = load_dataset("ymoslem/wmt-da-human-evaluation",
                             split="test",
                             trust_remote_code=True
                            )
print(test_dataset)

# 加载模型和分词器
from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch

# 加载微调后的模型和分词器
model_name = "ymoslem/ModernBERT-large-qe-maxlen512-v1"
model = AutoModelForSequenceClassification.from_pretrained(
    model_name,
    device_map="auto",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# 如果有可用的GPU，将模型移到GPU上
device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)
model.eval()

# 准备数据集
sep_token = tokenizer.sep_token
input_test_texts = [f"{src} {sep_token} {tgt}" for src, tgt in zip(test_dataset["src"], test_dataset["mt"])]

# 生成预测
from transformers import pipeline

classifier = pipeline("text-classification",
                      model=model_name,
                      tokenizer=tokenizer,
                      device=0,
                     )

predictions = classifier(input_test_texts,
                         batch_size=128,
                         truncation=True,
                         padding="max_length",
                         max_length=tokenizer.model_max_length,
                       )
predictions = [prediction["score"] for prediction in predictions]

高级用法

# 使用更精细的代码进行预测
from torch.utils.data import DataLoader
import torch
from tqdm.auto import tqdm

# 分词函数
def process_batch(batch, tokenizer, device):
    sep_token = tokenizer.sep_token
    input_texts = [f"{src} {sep_token} {tgt}" for src, tgt in zip(batch["src"], batch["mt"])]
    tokens = tokenizer(input_texts,
                       truncation=True,
                       padding="max_length",
                       max_length=tokenizer.model_max_length,
                       return_tensors="pt",
                      ).to(device)
    return tokens

# 创建DataLoader进行批量处理
test_dataloader = DataLoader(test_dataset, 
                             batch_size=128,   # 根据需要调整批量大小
                             shuffle=False)

# 存储所有预测结果的列表
predictions = []

with torch.no_grad():
    for batch in tqdm(test_dataloader, desc="Inference Progress", unit="batch"):

        tokens = process_batch(batch, tokenizer, device)
        
        # 前向传播：生成模型的对数几率
        outputs = model(**tokens)

        # 获取对数几率（预测结果）
        logits = outputs.logits

        # 提取回归预测值
        batch_predictions = logits.squeeze()

        # 将预测结果添加到列表中
        predictions.extend(batch_predictions.tolist())

📚 详细文档

模型描述

此模型用于机器翻译（MT）系统的无参考质量评估（QE）。

训练过程

训练超参数

此版本的模型使用 tokenizer.model_max_length = 512。 完整长度为 8192 的模型可在此处找到 ymoslem/ModernBERT-large-qe-v1。 训练期间使用了以下超参数：

• 学习率：8e-05
• 训练批量大小：128
• 评估批量大小：128
• 随机种子：42
• 优化器：使用 OptimizerNames.ADAMW_TORCH_FUSED，β值为 (0.9, 0.999)，ε值为 1e-08，无额外优化器参数
• 学习率调度器类型：线性
• 训练步数：10000

训练结果

框架版本

• Transformers 4.48.0
• Pytorch 2.4.1+cu124
• Datasets 3.2.0
• Tokenizers 0.21.0

模型信息

评估指标

📄 许可证

本项目采用 apache-2.0 许可证。