/ Модель

Характеристики

Контекст
1 024 токена
Параметры
133 млн
Лицензия
CC BY 4.0
Архитектура
marian · dense
Библиотека
transformers
Опубликована
28 янв 2025

BiDi-eng-pol

ПереводТекст → текст4 профессии

Двунаправленная модель MarianMT для перевода предложений между английским и польским языками.

177скачиваний за 30 дней2лайкавеса обновлены10 фев 2025

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

BiDi-eng-pol — двунаправленная модель машинного перевода из коллекции BiDi, разработанной в рамках исследовательского проекта лаборатории Machine Learning Research для Allegro.com при сотрудничестве с laniqo.com. Это энкодер-декодерный трансформер MarianMT на 133,4 млн параметров, обученный для перевода на уровне предложений; базовая конфигурация — transformer-big. Модель переводит между английским и польским в обоих направлениях: целевой язык задаётся специальным токеном. Для токенизации используется SentencePiece со словарём 32 тыс. токенов.

Модель рассчитана на перевод отдельных предложений между английским и польским; в README описана как часть коллекции многоязычных славянских MT-моделей. Метаданные указывают контекст до 1024 токенов. Модель обучалась на корпусах машинного перевода и оценивалась на Flores200 с метрикой COMET-DA. Качество и возможные смещения следует проверять для конкретного предметного домена: авторы предупреждают о возможных гендерных галлюцинациях при переводе с английского на славянские языки. Лицензия — CC BY 4.0.

Сценарии применения

  • перевод предложений с английского на польский
  • перевод предложений с польского на английский
  • машинный перевод англоязычных текстов для польскоязычных читателей
  • перевод польских текстов для англоязычных читателей

Ограничения

Возможны смещения из обучающих данных; авторы отдельно отмечают риск гендерных галлюцинаций при переводе с английского на славянские языки. Проверяйте качество и смещения на текстах целевого домена.

Для каких профессий подходит4

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

MultiSlav BiDi Models

Multilingual BiDi MT Models

BiDi is a collection of Encoder-Decoder vanilla transformer models trained on sentence-level Machine Translation task. Each model is supporting Bi-Directional translation.

BiDi models are part of the MultiSlav collection. More information will be available soon in our upcoming MultiSlav paper.

Experiments were conducted under research project by Machine Learning Research lab for Allegro.com. Big thanks to laniqo.com for cooperation in the research.

Graphic above provides an example of an BiDi model - BiDi-ces-pol to translate from Polish to Czech language. BiDi-ces-pol is a bi-directional model supporting translation both form Czech to Polish and from Polish to Czech directions.

Supported languages

To use a BiDi model, you must provide the target language for translation. Target language tokens are represented as 3-letter ISO 639-3 language codes embedded in a format >>xxx<<. All accepted directions and their respective tokens are listed below. Note that, for each model only two directions are available. Each of them was added as a special token to Sentence-Piece tokenizer.

Target LanguageFirst token
Czech>>ces<<
English>>eng<<
Polish>>pol<<
Slovak>>slk<<
Slovene>>slv<<

Bi-Di models available

We provided 10 BiDi models, allowing to translate between 20 languages.

Bi-Di modelLanguages supportedHF repository
BiDi-ces-engCzech ↔ Englishallegro/BiDi-ces-eng
BiDi-ces-polCzech ↔ Polishallegro/BiDi-ces-pol
BiDi-ces-slkCzech ↔ Slovakallegro/BiDi-ces-slk
BiDi-ces-slvCzech ↔ Sloveneallegro/BiDi-ces-slv
BiDi-eng-polEnglish ↔ Polishallegro/BiDi-eng-pol
BiDi-eng-slkEnglish ↔ Slovakallegro/BiDi-eng-slk
BiDi-eng-slvEnglish ↔ Sloveneallegro/BiDi-eng-slv
BiDi-pol-slkPolish ↔ Slovakallegro/BiDi-pol-slk
BiDi-pol-slvPolish ↔ Sloveneallegro/BiDi-pol-slv
BiDi-slk-slvSlovak ↔ Sloveneallegro/BiDi-slk-slv

Use case quickstart

Example code-snippet to use model. Due to bug the MarianMTModel must be used explicitly. Remember to adjust source and target languages to your use-case.

from transformers import AutoTokenizer, MarianMTModel

source_lang = "pol"
target_lang = "ces"
first_lang, second_lang = sorted([source_lang, target_lang])
model_name = f"Allegro/BiDi-{first_lang}-{second_lang}"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = MarianMTModel.from_pretrained(model_name)

text = f">>{target_lang}<<" + " " + "Allegro to internetowa platforma e-commerce, na której swoje produkty sprzedają średnie i małe firmy, jak również duże marki."

batch_to_translate = [text]
translations = model.generate(**tokenizer.batch_encode_plus(batch_to_translate, return_tensors="pt"))
decoded_translation = tokenizer.batch_decode(translations, skip_special_tokens=True, clean_up_tokenization_spaces=True)[0]

print(decoded_translation)

Generated Czech output:

Allegro je online e-commerce platforma, na které své výrobky prodávají střední a malé firmy, stejně jako velké značky.

Training

SentencePiece tokenizer has a vocab size 32k in total (16k per language). Tokenizer was trained on randomly sampled part of the training corpus. During the training we used the MarianNMT framework. Base marian configuration used: transfromer-big. All training parameters are listed in table below.

Training hyperparameters:

HyperparameterValue
Total Parameter Size209M
Vocab Size32k
Base ParametersMarian transfromer-big
Number of Encoding Layers6
Number of Decoding Layers6
Model Dimension1024
FF Dimension4096
Heads16
Dropout0.1
Batch Sizemini batch fit to VRAM
Training Accelerators4x A100 40GB
Max Length100 tokens
OptimizerAdam
Warmup steps8000
ContextSentence-level MT
Languages SupportedSee Bi-Di models available
Precisionfloat16
Validation Freq3000 steps
Stop MetricChrF
Stop Criterion20 Validation steps

Training corpora

The main research question was: "How does adding additional, related languages impact the quality of the model?" - we explored it in the Slavic language family. BiDi models are our baseline before expanding the data-regime by using higher-level multilinguality.

Datasets were downloaded via MT-Data library. The number of total examples post filtering and deduplication varies, depending on languages supported, see the table below.

Language pairNumber of training examples
Czech ↔ Polish63M
Czech ↔ Slovak30M
Czech ↔ Slovene25M
Polish ↔ Slovak26M
Polish ↔ Slovene23M
Slovak ↔ Slovene18M
-----------------------------------------------
Czech ↔ English151M
English ↔ Polish150M
English ↔ Slovak52M
English ↔ Slovene40M

The datasets used (only applicable to specific directions):

Corpus
paracrawl
opensubtitles
multiparacrawl
dgt
elrc
xlent
wikititles
wmt
wikimatrix
dcep
ELRC
tildemodel
europarl
eesc
eubookshop
emea
jrc_acquis
ema
qed
elitr_eca
EU-dcep
rapid
ecb
kde4
news_commentary
kde
bible_uedin
europat
elra
wikipedia
wikimedia
tatoeba
globalvoices
euconst
ubuntu
php
ecdc
eac
eac_reference
gnome
EU-eac
books
EU-ecdc
newsdev
khresmoi_summary
czechtourism
khresmoi_summary_dev
worldbank

Evaluation

Evaluation of the models was performed on Flores200 dataset. The table below compares performance of the open-source models and all applicable models from our collection. Metric used: Unbabel/wmt22-comet-da.

DirectionCES → ENGCES → POLCES → SLKCES → SLVENG → CESENG → POLENG → SLKENG → SLVPOL → CESPOL → ENGPOL → SLKPOL → SLVSLK → CESSLK → ENGSLK → POLSLK → SLVSLV → CESSLV → ENGSLV → POLSLV → SLK
M2M-10087.089.092.189.788.686.488.487.389.684.689.488.492.786.889.189.690.386.488.790.1
NLLB-20088.188.991.288.690.488.590.188.889.485.888.987.791.888.288.988.890.087.588.689.4
Seamless-M4T87.580.990.882.090.788.590.689.679.685.480.076.491.587.281.282.980.987.376.781.0
OPUS-MT Sla-Sla88.282.8-83.489.185.6-84.582.982.2-81.2----83.584.180.8-
OPUS-MT SK-EN------89.5------88.4------
Our contributions:
BiDi Models*87.589.492.489.887.886.287.286.690.085.089.188.492.987.388.889.490.086.988.189.1
P4-pol◊-89.690.888.7----90.2-89.888.791.0-89.388.489.3-88.788.5
P5-eng◊88.089.090.789.088.887.388.487.589.085.788.587.891.088.288.688.589.687.288.488.9
P5-ces◊87.989.692.589.988.485.087.985.990.384.589.588.093.087.889.489.890.385.787.989.8
MultiSlav-4slav-89.792.590.0----90.2-89.688.792.9-89.490.190.6-88.990.2
MultiSlav-5lang87.889.892.590.188.986.988.087.390.485.489.888.992.987.889.690.290.687.089.290.2

◊ system of 2 models Many2XXX and XXX2Many, see P5-ces2many

* results combined for all bi-directional models; each values for applicable model

Limitations and Biases

We did not evaluate inherent bias contained in training datasets. It is advised to validate bias of our models in perspective domain. This might be especially problematic in translation from English to Slavic languages, which require explicitly indicated gender and might hallucinate based on bias present in training data.

License

The model is licensed under CC BY 4.0, which allows for commercial use.

Citation

TO BE UPDATED SOON 🤗

Contact Options

Authors:

Please don't hesitate to contact authors if you have any questions or suggestions:

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
c1f2c95

0 моделей