/ Модель

Характеристики

Параметры
157 млн
Лицензия
MIT
Архитектура
mt5 · dense
Опубликована
5 фев 2024

mt5-translation-ja_zh-game-small

ПереводТекст → текст3 профессии

Небольшая экспериментальная mT5-модель для перевода с японского на китайский, предназначенная главным образом для тестирования и сравнения качества.

104скачиваний за 30 дней0лайковвеса обновлены4 июл 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

iryneko571/mt5-translation-ja_zh-game-small — небольшая модель машинного перевода, дообученная автором на основе mt5-small для перевода с японского на китайский. Она построена на архитектуре mT5 и содержит 157,4 млн параметров. Для обучения использовалась сокращённая часть набора Pontoon Translations с парами ja→zh, а также испорченные примеры из другой модели перевода автора. Модель создана для экспериментов с данными и сравнения качества перевода; автор отмечает, что её переводческие способности очень низкие. По заявлению README, для запуска требуется около 1,5 ГБ видеопамяти, а при fp16 и небольшом размере пакета — менее 1 ГБ. Лицензия — MIT.

Сценарии применения

  • экспериментальный перевод японских игровых текстов на китайский
  • сравнение качества перевода на японско-китайских данных
  • тестирование моделей на парах перевода из набора Pontoon

Ограничения

Автор сообщает, что качество перевода очень низкое, поскольку модель создана для тестирования и сравнения. README также предупреждает, что приведённый там простой серверный пример ещё не стабилен.

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

new model:

iryneko571/mt5-small-translation-ja_zh better in most aspects, more like a base model with pure data 数值上更好,是用更纯的数据跑的 includes colab notebook 已经配置了colab的notebook,可以直接测试翻译,不需要安装

Release Notes

  • this model is finetuned from mt5-small

  • will use about 1.5G vram, fp16 will be less than 1G(if batch size is small), cpu inference speed is ok anyway

  • used a trimmed piece of pontoon dataset that features ja to zh translate part

  • also scrambled bunch of the translation from mt5-translation-ja_zh-game-v0.1, which is a large amount of junk for training

  • reason for making this model Testing the ideas of using pontoon dataset Constructing a flexible translation evaluation standard, need a poor performance model to compare

模型公开声明

  • 这个模型由 mt5-translation-ja_zh 继续训练得来
  • 使用大于1.5g的显存,fp16载入会小于1G显存(batch拉高会大于1G),使用cpu运作速度也还可以
  • 制作这个模型的原因 尝试使用现有的模型精调,小模型训练速度奇快
  • 本模型缺陷 本身就是用来做测试的,虽然使用的显存很低,但翻译能力奇差

简单的后端应用

还没稳定调试,慎用

A more precise example using it

使用指南

from transformers import pipeline
model_name="iryneko571/mt5-translation-ja_zh-game-small"
#pipe = pipeline("translation",model=model_name,tokenizer=model_name,repetition_penalty=1.4,batch_size=1,max_length=256)
pipe = pipeline("translation",
  model=model_name,
  repetition_penalty=1.4,
  batch_size=1,
  max_length=256
  )

def translate_batch(batch, language='<-ja2zh->'): # batch is an array of string
    i=0 # quickly format the list
    while i<len(batch):
        batch[i]=f'{language} {batch[i]}'
        i+=1
    translated=pipe(batch)
    result=[]
    i=0
    while i<len(translated):
        result.append(translated[i]['translation_text'])
        i+=1
    return result

inputs=[]

print(translate_batch(inputs))

Roadmap

  • Scamble more translation results from gpt4o, gpt3.5, claude, mt5 and other sources to make a more messy input
  • increase translation accuracy
  • apply lora on it and apply int8 inference to further decrease hardware requirements
  • create onnx and ncnn model

how to find me

找到作者

Discord Server: https://discord.gg/JmjPmJjA If you need any help, a test server or just want to chat 如果需要帮助,需要试试最新的版本,或者只是为了看下我是啥,可以进channel看看(这边允许发布这个吗?)

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MT5ForConditionalGeneration
Ревизия весов
b584756

0 моделей