LLaMAX: Расширение лингвистических горизонтов LLM путем улучшения возможностей перевода за пределами 100 языков

LLaMAX: Scaling Linguistic Horizons of LLM by Enhancing Translation Capabilities Beyond 100 Languages

July 8, 2024

Авторы: Yinquan Lu, Wenhao Zhu, Lei Li, Yu Qiao, Fei Yuan

cs.AI

Аннотация

Большие языковые модели (LLM) демонстрируют выдающиеся возможности в области перевода в задачах на языках с высокими ресурсами, однако их производительность на языках с низкими ресурсами затруднена из-за недостаточного мультиязычного объема данных во время предварительного обучения. Для решения этой проблемы мы выделяем 35 000 часов GPU A100-SXM4-80GB на проведение обширного мультиязычного непрерывного предварительного обучения на моделях серии LLaMA, обеспечивая поддержку перевода более чем на 100 языках. Через комплексный анализ стратегий обучения, таких как расширение словаря и аугментация данных, мы разрабатываем LLaMAX. Заметно, не жертвуя своей обобщающей способностью, LLaMAX достигает значительно более высокой производительности перевода по сравнению с существующими открытыми LLM (более чем на 10 пунктов spBLEU) и работает на уровне специализированной модели перевода (M2M-100-12B) по показателям Flores-101. Обширные эксперименты показывают, что LLaMAX может служить надежной мультиязычной базовой моделью. Код \url{https://github.com/CONE-MT/LLaMAX/.} и модели \url{https://huggingface.co/LLaMAX/.} доступны публично.

English

Large Language Models~(LLMs) demonstrate remarkable translation capabilities in high-resource language tasks, yet their performance in low-resource languages is hindered by insufficient multilingual data during pre-training. To address this, we dedicate 35,000 A100-SXM4-80GB GPU hours in conducting extensive multilingual continual pre-training on the LLaMA series models, enabling translation support across more than 100 languages. Through a comprehensive analysis of training strategies, such as vocabulary expansion and data augmentation, we develop LLaMAX. Remarkably, without sacrificing its generalization ability, LLaMAX achieves significantly higher translation performance compared to existing open-source LLMs~(by more than 10 spBLEU points) and performs on-par with specialized translation model~(M2M-100-12B) on the Flores-101 benchmark. Extensive experiments indicate that LLaMAX can serve as a robust multilingual foundation model. The code~\url{https://github.com/CONE-MT/LLaMAX/.} and models~\url{https://huggingface.co/LLaMAX/.} are publicly available.