CroissantLLM: Поистине двуязычная языковая модель для французского и английского языков
CroissantLLM: A Truly Bilingual French-English Language Model
February 1, 2024
Авторы: Manuel Faysse, Patrick Fernandes, Nuno Guerreiro, António Loison, Duarte Alves, Caio Corro, Nicolas Boizard, João Alves, Ricardo Rei, Pedro Martins, Antoni Bigata Casademunt, François Yvon, André Martins, Gautier Viaud, Céline Hudelot, Pierre Colombo
cs.AI
Аннотация
Мы представляем CroissantLLM — языковую модель с 1,3 миллиардами параметров, предобученную на наборе из 3 триллионов токенов на английском и французском языках, чтобы предложить исследовательскому и промышленному сообществу высокопроизводительную, полностью открытую двуязычную модель, которая быстро работает на потребительском оборудовании. Для этого мы разработали подход к обучению изначально двуязычной модели с соотношением данных для предобучения 1:1 (английский к французскому), использованием специального токенизатора и двуязычных наборов данных для тонкой настройки. Мы публикуем набор данных для обучения, включающий французский сегмент с тщательно отобранными, высококачественными и разнообразными источниками данных. Для оценки производительности за пределами английского языка мы создали новый бенчмарк FrenchBench, состоящий из набора задач классификации и генерации, охватывающих различные аспекты производительности модели на французском языке. Кроме того, в духе прозрачности и для стимулирования дальнейших исследований в области больших языковых моделей, мы публикуем кодовые базы, десятки контрольных точек для моделей различных размеров, распределений обучающих данных и этапов обучения, а также тонко настроенные чат-модели и мощные модели перевода. Мы оцениваем нашу модель с помощью фреймворка FMTI и подтверждаем выполнение 81% критериев прозрачности, что значительно превышает показатели даже большинства открытых инициатив. Эта работа обогащает ландшафт NLP, отходя от предыдущих англоцентричных исследований, чтобы углубить наше понимание многоязычия в языковых моделях.
English
We introduce CroissantLLM, a 1.3B language model pretrained on a set of 3T
English and French tokens, to bring to the research and industrial community a
high-performance, fully open-sourced bilingual model that runs swiftly on
consumer-grade local hardware. To that end, we pioneer the approach of training
an intrinsically bilingual model with a 1:1 English-to-French pretraining data
ratio, a custom tokenizer, and bilingual finetuning datasets. We release the
training dataset, notably containing a French split with manually curated,
high-quality, and varied data sources. To assess performance outside of
English, we craft a novel benchmark, FrenchBench, consisting of an array of
classification and generation tasks, covering various orthogonal aspects of
model performance in the French Language. Additionally, rooted in transparency
and to foster further Large Language Model research, we release codebases, and
dozens of checkpoints across various model sizes, training data distributions,
and training steps, as well as fine-tuned Chat models, and strong translation
models. We evaluate our model through the FMTI framework, and validate 81 % of
the transparency criteria, far beyond the scores of even most open initiatives.
This work enriches the NLP landscape, breaking away from previous
English-centric work in order to strengthen our understanding of
multilinguality in language models.