英文

内容目录

  • 模型摘要
  • 使用
  • 限制
  • 训练
  • 评估
  • 引用
  • 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。

    Multitask finetuned on 1239321 . Recommended for prompting in English.
    Parameters 300M 580M 1.2B 3.7B 13B 560M 1.1B 1.7B 3B 7.1B 176B
    Finetuned Model 12310321 12311321 12312321 12313321 12314321 12315321 12316321 12317321 12318321 12319321 12320321
    Multitask finetuned on 12321321 . Recommended for prompting in non-English.
    Finetuned Model 12322321 12323321 12324321
    Multitask finetuned on 12325321 . Released for research purposes only. Strictly inferior to above models!
    Finetuned Model 12326321 12327321 12328321
    Original pretrained checkpoints. Not recommended.
    Pretrained Model 12329321 12330321 12331321 12332321 12333321 12334321 12335321 12336321 12337321 12338321 12339321

    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

    点击展开
    # 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

    点击展开
    # 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

    点击展开
    # 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

    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}
    }