Llama-GENBA-10B: Трехъязычная большая языковая модель для немецкого, английского и баварского языков

Llama-GENBA-10B: A Trilingual Large Language Model for German, English and Bavarian

September 6, 2025

Авторы: Michael Hoffmann, Jophin John, Stefan Schweter, Gokul Ramakrishnan, Hoi-Fong Mak, Alice Zhang, Dmitry Gaynullin, Nicolay J. Hammer

cs.AI

Аннотация

Мы представляем Llama-GENBA-10B, трехъязычную базовую модель, направленную на устранение англоцентричной предвзятости в крупных языковых моделях. Построенная на основе Llama 3.1-8B и масштабированная до 10 миллиардов параметров, Llama-GENBA-10B прошла непрерывное предварительное обучение на 164 миллиардах токенов (82 миллиарда английских, 82 миллиарда немецких и 80 миллионов баварских), что позволяет сбалансировать ресурсы и избежать доминирования английского языка. Модель ориентирована на немецкое сообщество NLP и также способствует развитию баварского языка как языка с ограниченными ресурсами. В процессе разработки были решены четыре ключевые задачи: (1) создание многоязычного корпуса, несмотря на ограниченность данных по баварскому языку, (2) разработка унифицированного токенизатора для английского, немецкого и баварского языков, (3) оптимизация архитектуры и гиперпараметров соотношения языков для кросс-лингвистического переноса и (4) создание первой стандартизированной трехъязычной системы оценки путем перевода немецких тестовых наборов на баварский язык. Оценки показывают, что Llama-GENBA-10B демонстрирует высокую кросс-лингвистическую производительность: доработанная версия модели превосходит Apertus-8B-2509 и gemma-2-9b в баварском языке, становясь лучшей моделью в своем классе для этого языка, а также опережает EuroLLM в английском и соответствует его результатам в немецком. Обучение на Cerebras CS-2 продемонстрировало эффективное крупномасштабное многоязычное предварительное обучение с документированным энергопотреблением, предлагая шаблон для инклюзивных базовых моделей, интегрирующих языки с ограниченными ресурсами.

English

We present Llama-GENBA-10B, a trilingual foundation model addressing English-centric bias in large language models. Built on Llama 3.1-8B and scaled to 10B parameters, Llama-GENBA-10B is continuously pretrained on 164B tokens (82B English, 82B German, and 80M Bavarian), balancing resources while preventing English dominance. Targeted at the German NLP community, the model also promotes Bavarian as a low-resource language. Development tackled four challenges: (1) curating a multilingual corpus despite Bavarian scarcity, (2) creating a unified tokenizer for English, German, and Bavarian, (3) optimizing architecture and language-ratio hyperparameters for cross-lingual transfer, and (4) establishing the first standardized trilingual evaluation suite by translating German benchmarks into Bavarian. Evaluations show that Llama-GENBA-10B achieves strong cross-lingual performance, with the fine-tuned variant surpassing Apertus-8B-2509 and gemma-2-9b in Bavarian and establishing itself as the best model in its class for this language, while also outperforming EuroLLM in English and matching its results in German. Training on the Cerebras CS-2 demonstrated efficient large-scale multilingual pretraining with documented energy use, offering a blueprint for inclusive foundation models that integrate low-resource languages.