内容目录

模型摘要

我们提出了BLOOMZ & mT0模型系列，这是一组能够在数十种语言中跨零翻译任务的模型。我们在我们的跨语言任务混合（xP3）上微调了BLOOM和mT5预训练的多语言语言模型，并发现我们的结果模型能够实现对未见任务和语言的跨语言泛化。

• 存储库: bigscience-workshop/xmtf
• 论文: Crosslingual Generalization through Multitask Finetuning
• 联系人: Niklas Muennighoff
• 语言: 关于预训练和微调语言比例，请参考 mc4 。它理解预训练和微调语言。
• BLOOMZ & mT0模型系列:

使用

预期使用

我们建议使用该模型来执行以自然语言表达的任务。例如，给定提示“ 将其翻译成英语: Je t’aime. ”，该模型很可能会回答“ 我爱你。 ”。以下是一些来自我们论文的提示思路:

• 一个传奇的开端，一个不灭的神话，这不仅仅是一部电影，而是作为一个走进新时代的标签，永远彪炳史册。你认为这句话的立场是赞扬、中立还是批评?
• 提供至少五个与“Mạng neural nhân tạo”相关的搜索词。
• 写一个关于巨魔从危险的龙那里救出公主的童话故事。这个童话故事是一部在世界范围内赢得赞誉的杰作，其寓意是“英雄有各种各样”。故事（用西班牙语）:
• 用泰卢固语用一句话解释神经网络中的反向传播是什么。

欢迎在“社区”选项卡中分享你的生成结果！

如何使用

CPU

# pip install -q transformers
from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

checkpoint = "bigscience/mt0-xxl-mt"

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForSeq2SeqLM.from_pretrained(checkpoint)

inputs = tokenizer.encode("Translate to English: Je t’aime.", return_tensors="pt")
outputs = model.generate(inputs)
print(tokenizer.decode(outputs[0]))

GPU

# pip install -q transformers accelerate
from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

checkpoint = "bigscience/mt0-xxl-mt"

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForSeq2SeqLM.from_pretrained(checkpoint, torch_dtype="auto", device_map="auto")

inputs = tokenizer.encode("Translate to English: Je t’aime.", return_tensors="pt").to("cuda")
outputs = model.generate(inputs)
print(tokenizer.decode(outputs[0]))

8位GPU

# pip install -q transformers accelerate bitsandbytes
from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

checkpoint = "bigscience/mt0-xxl-mt"

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForSeq2SeqLM.from_pretrained(checkpoint, device_map="auto", load_in_8bit=True)

inputs = tokenizer.encode("Translate to English: Je t’aime.", return_tensors="pt").to("cuda")
outputs = model.generate(inputs)
print(tokenizer.decode(outputs[0]))

限制

提示工程：性能可能会因提示的不同而有所变化。对于BLOOMZ模型，我们建议清楚地表明输入何时结束，以避免模型试图继续。例如，没有末尾的句号（.）的提示“ 将其翻译成英语: Je t'aime ”可能导致模型试图继续法语句子。更好的提示是“ 将其翻译成英语: Je t'aime. ”，“ 将其翻译成英语: Je t'aime. 翻译: ”，“ “Je t'aime.” 在英语中是什么? ”等，这样模型就清楚何时应该回答。此外，我们建议尽可能为模型提供更多上下文。例如，如果你希望它用泰卢固语回答，则告诉模型，例如“ 用泰卢固语用一句话解释神经网络中的反向传播是什么。 ”。

训练

模型

• 架构: 与 mt5-xxl 相同，还可以参考 config.json 文件
• 微调步数: 7000
• 微调标记: 12.9亿
• 精度: bfloat16

硬件

• TPUs: TPUv4-256

软件

• 管理: T5X
• 神经网络: Jax

评估

我们参考我们的论文中的表格7来报告在未见任务上的零翻译结果。侧边栏报告了每个数据集配置的最佳提示的零翻译性能。

引用

@misc{muennighoff2022crosslingual,
      title={Crosslingual Generalization through Multitask Finetuning}, 
      author={Niklas Muennighoff and Thomas Wang and Lintang Sutawika and Adam Roberts and Stella Biderman and Teven Le Scao and M Saiful Bari and Sheng Shen and Zheng-Xin Yong and Hailey Schoelkopf and Xiangru Tang and Dragomir Radev and Alham Fikri Aji and Khalid Almubarak and Samuel Albanie and Zaid Alyafeai and Albert Webson and Edward Raff and Colin Raffel},
      year={2022},
      eprint={2211.01786},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}