Madlad400 7b Mt

🚀 MADLAD - 400 - 7B - MT模型卡片

MADLAD - 400 - 7B - MT是基于T5架构的多语言机器翻译模型，使用公开数据在2500亿个涵盖超450种语言的标记上进行训练。它能与规模大得多的模型相媲美。

🚀 快速开始

使用transformers运行PyTorch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'
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/madlad400-7b-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，在多语言处理上表现出色。
• 数据丰富：使用涵盖2500亿个标记的公开数据进行训练。

📦 安装指南

使用transformers库运行模型时，需安装以下Python包：

pip install transformers accelerate sentencepiece

💻 使用示例

基础用法

from transformers import T5ForConditionalGeneration, T5Tokenizer

model_name = 'jbochi/madlad400-7b-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!

📚 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

伦理考量和风险

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，但由于这些模型在网络爬取的数据集上进行训练，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，参考Liebling等人的文章以全面讨论机器翻译系统的风险。

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

在评估中，我们使用了WMT、NTREX、Flores - 200和Gatones数据集，如论文第4.3节所述。

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。

📄 许可证

本模型使用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}
}