/ Модель

Характеристики

Контекст
512 токенов
Параметры
41,6 млн
Лицензия
CC BY-SA 4.0
Архитектура
marian · dense
Библиотека
transformers
Опубликована
20 мая 2024

elan-mt-bt-ja-en

ПереводТекст → текст3 профессии

Модель Marian MT для перевода японского текста на английский, дообученная на открытых корпусах и данных обратного перевода.

242скачиваний за 30 дней10лайковвеса обновлены20 мая 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ElanMT-BT-ja-en — модель перевода с японского на английский, разработанная проектом ELAN MITSUA / Abstract Engine. Это дообученная версия ElanMT-base-ja-en на открытых корпусах и данных Википедии, переведённых обратно с помощью ElanMT-base-en-ja. Модель построена на архитектуре Marian MT: 6-слойный трансформерный кодировщик-декодировщик с токенизатором SentencePiece; в метаданных указаны 41,6 млн параметров и контекст до 512 токенов.

Модель предназначена для перевода японских предложений и текстов на английский, включая сценарии, где важно использовать модель, обученную на открыто лицензированных данных. Авторы сообщают о результатах на FLORES+ и NTREX, однако предупреждают, что качество перевода может быть низким, а результаты — неверными, вредными или предвзятыми. Модель не подходит для задач, требующих высокой точности. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • перевод японских предложений на английский
  • перевод описаний объектов из японской Википедии на английский
  • черновой перевод японских текстов
  • эксперименты с машинным переводом на открытых лицензированных данных

Ограничения

Авторы предупреждают, что переводы могут быть неверными, вредными или предвзятыми; модель не предназначена для сценариев, требующих высокой точности.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ElanMT

ElanMT-BT-ja-en is a Japanese to English translation model developed by ELAN MITSUA Project / Abstract Engine.

  • ElanMT-base-ja-en and ElanMT-base-en-ja are trained from scratch, exclusively on openly licensed corpora such as CC0, CC BY and CC BY-SA.
  • This model is a fine-tuned checkpoint of ElanMT-base-ja-en and is trained exclusively on openly licensed data and Wikipedia back translated data using ElanMT-base-en-ja.
  • Web crawled or other machine translated corpora are not used during the entire training procedure for the ElanMT models.

Despite the relatively low resource training, thanks to back-translation and a newly built CC0 corpus, the model achieved comparable performance to the currently available open translation models.

Model Details

This is a translation model based on Marian MT 6-layer encoder-decoder transformer architecture with sentencepiece tokenizer.

Usage

  1. Install the python packages

pip install transformers accelerate sentencepiece

  • This model is verified on transformers==4.40.2
  1. Run
from transformers import pipeline
translator = pipeline('translation', model='Mitsua/elan-mt-bt-ja-en')
translator('こんにちは。私はAIです。')
  1. For longer multiple sentences, using pySBD is recommended.

pip install transformers accelerate sentencepiece pysbd

import pysbd
seg = pysbd.Segmenter(language="ja", clean=False)
txt = 'こんにちは。私はAIです。お元気ですか?'
print(translator(seg.segment(txt)))

This idea is from FuguMT repo.

Training Data

We heavily referred FuguMT author's blog post for dataset collection.

*Even if the dataset itself is CC-licensed, we did not use it if the corpus contained in the dataset is based on web crawling, is based on unauthorized use of copyrighted works, or is based on the machine translation output of other translation models.

Training Procedure

We heavily referred "Beating Edinburgh's WMT2017 system for en-de with Marian's Transformer model" for training process and hyperparameter tuning.

  1. Trains a sentencepiece tokenizer 32k vocab on 4M lines openly licensed corpus.
  2. Trains en-ja back-translation model on 4M lines openly licensed corpus for 6 epochs. = ElanMT-base-en-ja
  3. Trains ja-en base translation model on 4M lines openly licensed corpus for 6 epochs. = ElanMT-base-ja-en
  4. Translates 20M lines en Wikipedia to ja using back-translation model.
  5. Trains 4 ja-en models, which is finetuned from ElanMT-base-ja-en checkpoint, on 24M lines training data augmented with back-translated data for 6 epochs.
  6. Merges 4 trained models that produces the best validation score on FLORES+ dev split.
  7. Finetunes the merged model on 1M lines high quality corpus subset for 5 epochs.

Evaluation

Dataset

  • FLORES+ (CC BY-SA 4.0) devtest split is used for evaluation.
  • NTREX (CC BY-SA 4.0)

Result

ModelParamsFLORES+ BLEUFLORES+ chrfNTREX BLEUNTREX chrf
ElanMT-BT61M24.8755.0222.5752.48
ElanMT-base61M21.6152.5318.4349.09
ElanMT-tiny15M20.4051.8118.4349.39
staka/fugumt-ja-en61M24.1054.9722.3351.84
facebook/mbart-large-50-many-to-many-mmt610M23.8853.9822.5951.57
facebook/nllb-200-distilled-600M615M22.9252.1322.5951.36
facebook/nllb-200-3.3B3B28.1356.8627.6555.60
google/madlad400-3b-mt3B26.9556.6226.1154.61
google/madlad400-7b-mt7B28.8457.4628.1955.85
  • *1 tested on transformers==4.29.2 and num_beams=4
  • *2 BLEU score is calculated by sacreBLEU

Disclaimer

  • The translated result may be very incorrect, harmful or biased. The model was developed to investigate achievable performance with only a relatively small, licensed corpus, and is not suitable for use cases requiring high translation accuracy. Under Section 5 of the CC BY-SA 4.0 License, ELAN MITSUA Project / Abstract Engine is not responsible for any direct or indirect loss caused by the use of the model.
  • 免責事項:翻訳結果は不正確で、有害であったりバイアスがかかっている可能性があります。本モデルは比較的小規模でライセンスされたコーパスのみで達成可能な性能を調査するために開発されたモデルであり、翻訳の正確性が必要なユースケースでの使用には適していません。絵藍ミツアプロジェクト及び株式会社アブストラクトエンジンはCC BY-SA 4.0ライセンス第5条に基づき、本モデルの使用によって生じた直接的または間接的な損失に対して、一切の責任を負いません。

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MarianMTModel
Ревизия весов
539f80e

0 моделей