/ Модель

Характеристики

Контекст
1 024 токена
Параметры
464 млн
Архитектура
m2m_100 · dense
Опубликована
15 мая 2023

nllb-200-distilled-600M-ja-zh

ПереводТекст → текст3 профессии

Дообученная на японско-китайском направлении модель NLLB для перевода текстов между японским и китайским языками.

257скачиваний за 30 дней9лайковвеса обновлены30 мая 2023

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

neverLife/nllb-200-distilled-600M-ja-zh — дообученная модель перевода на базе NLLB-200 Distilled 600M, предназначенная для перевода между японским и китайским языками. В карточке указаны результаты после одной эпохи: loss 1,3042 и BLEU 55,834 на оценочном наборе; архитектура — M2M100ForConditionalGeneration, число параметров — около 463,7 млн, максимальный контекст — 1024 токена.

Модель принимает текст и генерирует перевод. Карточка показывает пример оценки и версии Transformers и PyTorch, но не описывает состав оценочного набора и не приводит условия лицензии; качество на других данных не установлено.

Сценарии применения

  • перевод текста с японского на китайский
  • перевод текста с китайского на японский
  • черновой перевод японских фраз
  • черновой перевод китайских фраз

Ограничения

В README приведена оценка на одном оценочном наборе после одной эпохи, но набор и методика не уточнены; качество на иных текстах не подтверждено. Лицензия в предоставленных данных не указана.

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

在1epoch的结果

结果

在评估集上得到如下结果:

  • Loss: 1.3042
  • Bleu: 55.834
  • Gen Len: 17.2465

使用DEMO

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

model_path = "neverLife/nllb-200-distilled-600M-ja-zh"
model = AutoModelForSeq2SeqLM.from_pretrained(model_path)
ja = "ぜんぜん田舎に来た気がしないんだが……。"
tokenizer = AutoTokenizer.from_pretrained(model_path, src_lang="jpn_Jpan", tgt_lang="zho_Hans")

input_ids = tokenizer.encode(ja, max_length=128, padding=True, return_tensors='pt')
outputs = model.generate(input_ids, num_beams=4, max_new_tokens=128)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

框架版本

  • Transformers 4.28.1
  • Pytorch 2.0.0+cu117
  • Datasets 2.11.0
  • Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
M2M100ForConditionalGeneration
Ревизия весов
92d0153

0 моделей