Sailor2: Navegando en el Sudeste Asiático con Modelos de Lenguaje Multilingües Inclusivos

Sailor2: Sailing in South-East Asia with Inclusive Multilingual LLMs

February 18, 2025

Autores: Longxu Dou, Qian Liu, Fan Zhou, Changyu Chen, Zili Wang, Ziqi Jin, Zichen Liu, Tongyao Zhu, Cunxiao Du, Penghui Yang, Haonan Wang, Jiaheng Liu, Yongchi Zhao, Xiachong Feng, Xin Mao, Man Tsung Yeung, Kunat Pipatanakul, Fajri Koto, Min Si Thu, Hynek Kydlíček, Zeyi Liu, Qunshu Lin, Sittipong Sripaisarnmongkol, Kridtaphad Sae-Khow, Nirattisai Thongchim, Taechawat Konkaew, Narong Borijindargoon, Anh Dao, Matichon Maneegard, Phakphum Artkaew, Zheng-Xin Yong, Quan Nguyen, Wannaphong Phatthiyaphaibun, Hoang H. Tran, Mike Zhang, Shiqi Chen, Tianyu Pang, Chao Du, Xinyi Wan, Wei Lu, Min Lin

cs.AI

Resumen

Sailor2 es una familia de modelos lingüísticos multilingües de vanguardia para idiomas del sudeste asiático (SEA), disponibles en tamaños de 1B, 8B y 20B para adaptarse a diversas aplicaciones. Basado en Qwen2.5, Sailor2 se somete a un preentrenamiento continuo con 500B tokens (400B específicos para SEA y 100B de tokens de repetición) para soportar 13 idiomas del sudeste asiático, manteniendo además su competencia en chino e inglés. El modelo Sailor2-20B logra una tasa de victoria de 50-50 frente a GPT-4o en idiomas del SEA. También ofrecemos un manual completo sobre cómo desarrollar el modelo multilingüe de manera eficiente, cubriendo cinco aspectos clave: curación de datos, preentrenamiento, postentrenamiento, personalización del modelo y evaluación. Esperamos que el modelo Sailor2 (bajo licencia Apache 2.0) impulse el desarrollo lingüístico en la región del SEA, y que el manual de Sailor2 inspire a los investigadores a construir modelos de lenguaje más inclusivos para otros idiomas poco atendidos.

English

Sailor2 is a family of cutting-edge multilingual language models for South-East Asian (SEA) languages, available in 1B, 8B, and 20B sizes to suit diverse applications. Building on Qwen2.5, Sailor2 undergoes continuous pre-training on 500B tokens (400B SEA-specific and 100B replay tokens) to support 13 SEA languages while retaining proficiency in Chinese and English. Sailor2-20B model achieves a 50-50 win rate against GPT-4o across SEA languages. We also deliver a comprehensive cookbook on how to develop the multilingual model in an efficient manner, including five key aspects: data curation, pre-training, post-training, model customization and evaluation. We hope that Sailor2 model (Apache 2.0 license) will drive language development in the SEA region, and Sailor2 cookbook will inspire researchers to build more inclusive LLMs for other under-served languages.