Sailor2: Navegando no Sudeste Asiático com LLMs Multilíngues 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

Resumo

Sailor2 é uma família de modelos de linguagem multilíngue de ponta para idiomas do Sudeste Asiático (SEA), disponível em tamanhos de 1B, 8B e 20B para atender a diversas aplicações. Baseado no Qwen2.5, o Sailor2 passa por um pré-treinamento contínuo em 500 bilhões de tokens (400 bilhões específicos para SEA e 100 bilhões de tokens de repetição) para suportar 13 idiomas do Sudeste Asiático, mantendo a proficiência em chinês e inglês. O modelo Sailor2-20B alcança uma taxa de vitória de 50-50 contra o GPT-4o em idiomas do SEA. Também oferecemos um guia abrangente sobre como desenvolver o modelo multilíngue de maneira eficiente, incluindo cinco aspectos principais: curadoria de dados, pré-treinamento, pós-treinamento, personalização do modelo e avaliação. Esperamos que o modelo Sailor2 (licença Apache 2.0) impulsione o desenvolvimento linguístico na região do SEA, e que o guia Sailor2 inspire pesquisadores a construir LLMs mais inclusivos para outros idiomas subatendidos.

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.