/ Модель

Характеристики

Контекст
1 024 токена
Размер весов
15,8 ГБ
Лицензия
MIT
Архитектура
nllb-llm2vec · dense
Библиотека
transformers
Опубликована
1 окт 2024

NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse

Классификация текстаТекст → label9 профессий

Мультиязычная модель на основе NLLB и LLM2Vec для семантического поиска и получения представлений текста более чем на 200 языках.

49скачиваний за 30 дней6лайковвеса обновлены27 ноя 2024

Бенчмарки

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

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

NLLB-LLM2Vec — мультиязычная модель для получения векторных представлений текста, разработанная как расширение LLM2Vec с помощью самосупервизируемой дистилляции. Она использует энкодер NLLB-600M и основана на LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse; при обучении подгонялись проекция и LoRA-адаптеры, а целевые представления получали из исходной LLM2Vec. Репозиторий распространяет вариант, который ещё не дообучали на прикладных задачах.

Модель предназначена для мультиязычных задач понимания естественного языка, включая поиск по смыслу и извлечение информации; её можно дообучать для классификации последовательностей и токенов. Для неруководимого поиска авторы допускают применение без дообучения, а для других задач рекомендуют обучение на размеченных данных. При работе необходимо передавать правильный код языка NLLB в параметре src_lang. Поддерживается более 200 языков. Модель доступна под лицензией MIT.

Сценарии применения

  • семантический поиск по многоязычным документам
  • поиск ответов в коллекции документов
  • кластеризация текстов на разных языках
  • оценка семантического сходства предложений
  • дообучение классификатора последовательностей
  • дообучение модели для разметки токенов

Ограничения

Модель обучена только на самосупервизируемых данных и не дообучена для прикладных задач; для использования вне неруководимого поиска авторы рекомендуют обучение на размеченных данных. При работе нужно правильно задавать src_lang для выбранного языка NLLB.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

`NLLB-LLM2Vec': Self-Distillation for Model Stacking Unlocks Cross-Lingual NLU in 200+ Languages

NLLB-LLM2Vec multilingually extends LLM2Vec via efficient self-supervised distillation. We train the up-projection and LoRA adapters of the NLLB-LLM2Vec by forcing its mean-pooled token embeddings to match (via mean-squared error) the output of the original LLM2Vec.

Self-supervised Distillation

This model has only been trained on self-supervised data and not yet been fine-tuned on any downstream task! This version is expected to perform better than self-supervised adaptation in the original paper, as LoRAs are merged into the model prior to task fine-tuning. The backbone of this model is LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse. We use the encoder of NLLB-600M.

⚠️ Make sure that you correctly set the src_lang (i.e., AutoTokenizer.from_pretrained("facebook/nllb-200-distilled-600M", src_lang=LANG_CODE) for the language you are using NLLB-LLM2Vec with! You can find a list of supported languages here

Usage

import torch
import torch.nn.functional as F
from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("fdschmidt93/NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse")
model = AutoModel.from_pretrained(
    "fdschmidt93/NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse",
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
    device_map="cuda" if torch.cuda.is_available() else "cpu",
)

flores_en = [
    "Lead researchers say this may bring early detection of cancer, tuberculosis, HIV and malaria to patients in low-income countries, where the survival rates for illnesses such as breast cancer can be half those of richer countries.",
    "Enceladus is the most reflective object in the solar system, reflecting about 90 percent of the sunlight that hits it.",
]

en_embeds = model.encode(flores_en)

flores_de = [
    "Führende Forscher sagen, dass dies die Früherkennung von Krebs, Tuberkulose, HIV und Malaria für Patienten in einkommensschwachen Ländern fördern könnte, wo die Überlebensraten bei Krankheiten wie Brustkrebs teilweise nur halb so hoch sind wie in reicheren Ländern.",
    "Enceladus ist das Objekt im Sonnensystem, das am stärksten reflektiert. Er wirft etwa 90 Prozent des auf ihn treffenden Sonnenlichts zurück.",
]

de_embeds = model.encode(flores_de, src_lang="deu_Latn")


# Compute cosine similarity
en_embeds_norm = F.normalize(en_embeds, p=2, dim=1)
de_embeds_norm = F.normalize(de_embeds, p=2, dim=1)
cos_sim = en_embeds_norm @ de_embeds_norm.T

print(cos_sim)
"""
tensor([[0.9062, 0.0894],
        [0.1289, 0.8633]])
"""

Fine-tuning

You should fine-tune the model on labelled data unless you are using the model for unsupervised retrieval-style tasks. NLLB-LLM2Vec supports both AutoModelForSequenceClassification and AutoModelForTokenClassification.

import torch
from transformers import AutoModelForSequenceClassification
from peft import get_peft_model
from peft.tuners.lora.config import LoraConfig

# Only attach LoRAs to the linear layers of LLM2Vec inside NLLB-LLM2Vec
lora_config = LoraConfig(
    rank = 16,
    lora_alpha = 32,
    target_modules = r".*llm2vec.*(self_attn\.(q|k|v|o)_proj|mlp\.(gate|up|down)_proj).*",
    bias = "none",
    task_type = "SEQ_CLS"
  )
model = AutoModelForSequenceClassification.from_pretrained(
    "fdschmidt93/NLLB-LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse",
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
)
model = get_peft_model(model, lora_config)

Questions

If you have any question about the code, feel free to email Fabian David Schmidt (fabian.schmidt@uni-wuerzburg.de).

Citation

If you are using NLLB-LLM2Vec in your work, please cite

@misc{schmidt2024selfdistillationmodelstackingunlocks,
      title={Self-Distillation for Model Stacking Unlocks Cross-Lingual NLU in 200+ Languages}, 
      author={Fabian David Schmidt and Philipp Borchert and Ivan Vulić and Goran Glavaš},
      year={2024},
      eprint={2406.12739},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2406.12739}, 
}

The work has been accepted to findings of EMNLP. The Bibtex will therefore be updated when the paper will be released on ACLAnthology.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
NLLBLLM2Vec
Ревизия весов
14d8a31

0 моделей