Madlad400 10b Mt

🚀 MADLAD-400-7B-MT模型卡片

MADLAD-400-10B-MT是基于T5架构的多语言机器翻译模型，在涵盖超450种语言的2500亿个标记上进行训练，与更大规模的模型相比也颇具竞争力。

🚀 快速开始

以下是使用该模型的示例脚本：

使用transformers库调用PyTorch模型

在CPU或GPU上运行模型

from transformers import T5ForConditionalGeneration, T5Tokenizer

model_name = 'jbochi/madlad400-10b-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

$ cargo run --example t5 --release  -- \
  --model-id "jbochi/madlad400-10b-mt" \
  --prompt "<2de> How are you, my friend?" \
  --decode --temperature 0

✨ 主要特性

• 多语言支持：支持超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，在大规模数据上训练，性能表现出色。

📚 详细文档

模型详情

模型描述

用途

直接使用和下游使用

主要预期用途：超400种语言的机器翻译和多语言NLP任务。 主要目标用户：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

伦理考量和风险

我们使用MADLAD-400和公开可用的数据训练这些模型，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的内容，因此底层训练数据中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，以深入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，并使用一个在编码器和解码器端共享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。

更多详细信息请参阅研究论文。

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。更多详细信息在论文中描述。

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，如论文第4.3节所述。

如论文所示，该模型的翻译质量因语言而异，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。

引用

BibTeX:

@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}
}

📄 许可证

本模型使用Apache 2.0许可证。