目录

模型摘要

我们介绍了BLOOMZ & mT0模型系列，这是一组能够以零次翻译的方式遵循人类指令的模型，适用于几十种语言。我们在跨语言任务混合（xP3）上微调了BLOOM & mT5预训练的多语言模型，并发现所得模型能够跨语言通用化地应对未知任务和语言。

• 仓库： bigscience-workshop/xmtf
• 论文： Crosslingual Generalization through Multitask Finetuning
• 联系人：Niklas Muennighoff
• 语言：关于预训练和微调语言比例，请参考 bloom 。它可以理解预训练和微调语言。
• BLOOMZ & mT0模型系列：

使用方法

预期用途

我们建议使用该模型执行用自然语言表达的任务。例如，给定提示“将其翻译成英语：Je t'aime。”，模型最可能的回答是“我爱你”。我们论文中的一些提示想法：

• 一个传奇的开端，一个不灭的神话，这不仅仅是一部电影，而是作为一个走进新时代的标签，永远彪炳史册。你认为这句话的立场是赞扬、中立还是批评？
• 为“Mạng neural nhân tạo”提供至少五个相关的搜索词。
• 编写一个关于巨魔从一个危险的龙那里拯救公主的童话故事。这个童话故事是一部在全世界获得赞美的杰作，它的寓意是“英雄有各种形状和尺寸”。故事（用西班牙语）：
• 用泰卢固语的一句话解释神经网络中的反向传播是什么。

欢迎在社区选项卡中分享你的生成结果！

如何使用

CPU

# pip install -q transformers
from transformers import AutoModelForCausalLM, AutoTokenizer

checkpoint = "bigscience/bloomz-7b1"

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForCausalLM.from_pretrained(checkpoint)

inputs = tokenizer.encode("Translate to English: Je t’aime.", return_tensors="pt")
outputs = model.generate(inputs)
print(tokenizer.decode(outputs[0]))

GPU

# pip install -q transformers accelerate
from transformers import AutoModelForCausalLM, AutoTokenizer

checkpoint = "bigscience/bloomz-7b1"

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForCausalLM.from_pretrained(checkpoint, torch_dtype="auto", device_map="auto")

inputs = tokenizer.encode("Translate to English: Je t’aime.", return_tensors="pt").to("cuda")
outputs = model.generate(inputs)
print(tokenizer.decode(outputs[0]))

8位GPU

# pip install -q transformers accelerate bitsandbytes
from transformers import AutoModelForCausalLM, AutoTokenizer

checkpoint = "bigscience/bloomz-7b1"

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForCausalLM.from_pretrained(checkpoint, device_map="auto", load_in_8bit=True)

inputs = tokenizer.encode("Translate to English: Je t’aime.", return_tensors="pt").to("cuda")
outputs = model.generate(inputs)
print(tokenizer.decode(outputs[0]))

限制

提示工程：性能可能因提示而异。对于BLOOMZ模型，我们建议在输入结束时明确指出，以避免模型尝试继续输入。例如，在末尾没有句号（.）的提示“将其翻译成英语：Je t'aime”可能导致模型试图继续法语句子。更好的提示是例如“将其翻译成英语：Je t'aime。”，“将其翻译成英语：Je t'aime。翻译：”，“Je t'aime在英语中是什么？”等，这样模型就清楚了何时应该回答。此外，我们建议尽可能提供给模型更多的上下文。例如，如果你希望它用泰卢固语回答，那么告诉模型，例如“用泰卢固语的一句话解释神经网络中的反向传播。”。

训练

模型

• 架构：与 bloom-7b1 相同，请参考config.json文件
• 微调步骤：1000
• 微调标记：419亿
• 微调布局：1x管道并行，1x张量并行，64x数据并行
• 精度：float16

硬件

• CPU：每个节点512GB内存的AMD CPU
• GPU：8个节点的64个A100 80GB GPU，每个节点有8个GPU，使用NVLink 4内部GPU连接，4个OmniPath连接
• 通讯：具有完全专用子网的NCCL通讯网络

软件

• 编排： Megatron-DeepSpeed
• 优化器和并行性： DeepSpeed
• 神经网络： PyTorch （pytorch-1.11带CUDA-11.5）
• 如果适用，使用FP16： apex

评估

我们参考我们的 paper 和 bigscience/evaluation-results 的表格7，了解对未知任务的零次翻译结果。侧边栏报告了每个数据集配置中最佳提示的零次翻译性能。

引用

@article{muennighoff2022crosslingual,
  title={Crosslingual generalization through multitask finetuning},
  author={Muennighoff, Niklas and Wang, Thomas and Sutawika, Lintang and Roberts, Adam and Biderman, Stella and Scao, Teven Le and Bari, M Saiful and Shen, Sheng and Yong, Zheng-Xin and Schoelkopf, Hailey and others},
  journal={arXiv preprint arXiv:2211.01786},
  year={2022}
}