Opus Mt Tc Bible Big Mul Mul

🚀 opus-mt-tc-bible-big-mul-mul

这是一个多语言翻译模型，支持从多种语言翻译到多种语言。模型基于大量公开数据训练，能用于翻译和文本生成任务，但受训练数据限制，部分语言对的翻译效果可能不佳。

🚀 快速开始

以下是使用该模型进行翻译的简单示例代码：

from transformers import MarianMTModel, MarianTokenizer

src_text = [
    ">>rus<< You'd better not speak to Tom about that.",
    ">>ceb<< How are you?"
]

model_name = "pytorch-models/opus-mt-tc-bible-big-mul-mul"
tokenizer = MarianTokenizer.from_pretrained(model_name)
model = MarianMTModel.from_pretrained(model_name)
translated = model.generate(**tokenizer(src_text, return_tensors="pt", padding=True))

for t in translated:
    print( tokenizer.decode(t, skip_special_tokens=True) )

# expected output:
#     Лучше бы не поговорить с Томом об этом.
#     Sa unsang paagi ikaw?

你也可以使用 transformers 库的管道功能来使用 OPUS-MT 模型，示例如下：

from transformers import pipeline
pipe = pipeline("translation", model="Helsinki-NLP/opus-mt-tc-bible-big-mul-mul")
print(pipe(">>rus<< You'd better not speak to Tom about that."))

# expected output: Лучше бы не поговорить с Томом об этом.

✨ 主要特性

• 多语言支持：支持众多语言之间的翻译。
• 广泛应用：可用于翻译和文本到文本的生成任务。

📦 安装指南

文档未提及安装步骤，若需使用该模型，可参考 transformers 库的官方文档进行安装。

💻 使用示例

基础用法

from transformers import MarianMTModel, MarianTokenizer

src_text = [
    ">>rus<< You'd better not speak to Tom about that.",
    ">>ceb<< How are you?"
]

model_name = "pytorch-models/opus-mt-tc-bible-big-mul-mul"
tokenizer = MarianTokenizer.from_pretrained(model_name)
model = MarianMTModel.from_pretrained(model_name)
translated = model.generate(**tokenizer(src_text, return_tensors="pt", padding=True))

for t in translated:
    print( tokenizer.decode(t, skip_special_tokens=True) )

# expected output:
#     Лучше бы не поговорить с Томом об этом.
#     Sa unsang paagi ikaw?

高级用法

from transformers import pipeline
pipe = pipeline("translation", model="Helsinki-NLP/opus-mt-tc-bible-big-mul-mul")
print(pipe(">>rus<< You'd better not speak to Tom about that."))

# expected output: Лучше бы не поговорить с Томом об этом.

📚 详细文档

模型详情

这是一个用于将多种语言（mul）翻译成多种语言（mul）的神经机器翻译模型。需要注意的是，由于大多数语言的训练数据非常有限，模型对列表中的许多语言支持可能不佳。翻译性能差异很大，对于大量的语言对，模型可能根本无法工作。

该模型是 OPUS-MT 项目 的一部分，该项目致力于让神经机器翻译模型广泛适用于世界上的多种语言。所有模型最初使用 Marian NMT 这个出色的框架进行训练，这是一个用纯 C++ 编写的高效 NMT 实现。这些模型通过 huggingface 的 transformers 库转换为 PyTorch 格式。训练数据来自 OPUS，训练管道采用 OPUS-MT-train 的流程。

模型描述：

这是一个具有多个目标语言的多语言翻译模型。需要以 >>id<<（id = 有效的目标语言 ID）的形式提供句子的初始语言标记，例如 >>aar<<。

用途

该模型可用于翻译和文本到文本的生成任务。

风险、限制和偏差

⚠️ 重要提示

读者应注意，该模型是在各种公共数据集上训练的，这些数据集可能包含令人不安、冒犯性的内容，并且可能传播历史和当前的刻板印象。

大量研究已经探讨了语言模型的偏差和公平性问题（例如，参见 Sheng 等人 (2021) 和 Bender 等人 (2021)）。

还需注意的是，由于大多数语言的训练数据非常有限，模型对列表中的许多语言支持可能不佳。翻译性能差异很大，对于大量的语言对，模型可能根本无法工作。

🔧 技术细节

训练

• 数据：opusTCv20230926+bt+jhubc（来源）
• 预处理：SentencePiece（spm64k,spm64k）
• 模型类型：transformer-big
• 原始 MarianNMT 模型：opusTCv20230926+bt+jhubc_transformer-big_2024-08-17.zip
• 训练脚本：GitHub 仓库

评估

• OPUS-MT 仪表盘上的模型得分
• 测试集翻译：opusTCv20230926+bt+jhubc_transformer-big_2024-08-17.test.txt
• 测试集得分：opusTCv20230926+bt+jhubc_transformer-big_2024-08-17.eval.txt
• 基准测试结果：benchmark_results.txt
• 基准测试输出：benchmark_translations.zip

📄 许可证

本模型使用 Apache-2.0 许可证。

致谢

这项工作得到了 HPLT 项目 的支持，该项目由欧盟的“地平线欧洲”研究与创新计划资助，资助协议编号为 101070350。我们也感谢 芬兰 CSC -- 科学信息技术中心 和 欧洲高性能计算机 LUMI 提供的慷慨计算资源和 IT 基础设施。

模型转换信息

• transformers 版本：4.45.1
• OPUS-MT git 哈希值：0882077
• 转换时间：Wed Oct 9 19:20:34 EEST 2024
• 转换机器：LM0-400-22516.local

引用信息

如果使用此模型，请引用以下出版物：

• Democratizing neural machine translation with OPUS-MT
• OPUS-MT – Building open translation services for the World
• The Tatoeba Translation Challenge – Realistic Data Sets for Low Resource and Multilingual MT

@article{tiedemann2023democratizing,
  title={Democratizing neural machine translation with {OPUS-MT}},
  author={Tiedemann, J{\"o}rg and Aulamo, Mikko and Bakshandaeva, Daria and Boggia, Michele and Gr{\"o}nroos, Stig-Arne and Nieminen, Tommi and Raganato, Alessandro and Scherrer, Yves and Vazquez, Raul and Virpioja, Sami},
  journal={Language Resources and Evaluation},
  number={58},
  pages={713--755},
  year={2023},
  publisher={Springer Nature},
  issn={1574-0218},
  doi={10.1007/s10579-023-09704-w}
}

@inproceedings{tiedemann-thottingal-2020-opus,
    title = "{OPUS}-{MT} {--} Building open translation services for the World",
    author = {Tiedemann, J{\"o}rg  and Thottingal, Santhosh},
    booktitle = "Proceedings of the 22nd Annual Conference of the European Association for Machine Translation",
    month = nov,
    year = "2020",
    address = "Lisboa, Portugal",
    publisher = "European Association for Machine Translation",
    url = "https://aclanthology.org/2020.eamt-1.61",
    pages = "479--480",
}

@inproceedings{tiedemann-2020-tatoeba,
    title = "The Tatoeba Translation Challenge {--} Realistic Data Sets for Low Resource and Multilingual {MT}",
    author = {Tiedemann, J{\"o}rg},
    booktitle = "Proceedings of the Fifth Conference on Machine Translation",
    month = nov,
    year = "2020",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2020.wmt-1.139",
    pages = "1174--1182",
}