I detect translation intent — straightforward language conversion task. My approach: translate directly while preserving all formatting.

Here is the Chinese (Simplified) translation:

mDeBERTa-v3-base-xnli-multilingual-nli-2mil7 模型卡片

模型描述

该多语言模型可对100种语言进行自然语言推理（NLI），因此也适用于多语言零样本分类。底层的 mDeBERTa-v3-base 模型由 Microsoft 在 CC100 多语言数据集 上预训练，该数据集包含100种语言。随后，该模型在 XNLI 数据集 和 multilingual-NLI-26lang-2mil7 数据集 上进行了微调。这两个数据集包含超过27种语言、超过40亿人使用的语言的超过270万个假设-前提文本对。

截至2021年12月，mDeBERTa-v3-base 是 Microsoft 在此论文中推出的性能最佳的多语言基础-sized transformer 模型。

如何使用模型

简单的零样本分类管道

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/mDeBERTa-v3-base-mnli-xnli")
sequence_to_classify = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
candidate_labels = ["politics", "economy", "entertainment", "environment"]
output = classifier(sequence_to_classify, candidate_labels, multi_label=False)
print(output)

NLI 使用场景

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

model_name = "MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "Angela Merkel ist eine政治家 in Deutschland und Vorsitzende der CDU"
hypothesis = "Emmanuel Macron is the President of France"

input = tokenizer(premise, hypothesis, truncation=True, return_tensors="pt")
output = model(input["input_ids"].to(device))  # device = "cuda:0" or "cpu"
prediction = torch.softmax(output["logits"][0], -1).tolist()
label_names = ["entailment", "neutral", "contradiction"]
prediction = {name: round(float(pred) * 100, 1) for pred, name in zip(prediction, label_names)}
print(prediction)

训练数据

该模型在 multilingual-nli-26lang-2mil7 数据集 和 XNLI 验证数据集上训练。

multilingual-nli-26lang-2mil7 数据集包含26种语言、超过40亿人使用的语言的273万个NLI假设-前提文本对。每种语言包含105,000个文本对。该数据集基于英文数据集 MultiNLI、Fever-NLI、ANLI、LingNLI 和 WANLI，使用最新的开源机器翻译模型创建。数据集中的语言包括：['ar', 'bn', 'de', 'es', 'fa', 'fr', 'he', 'hi', 'id', 'it', 'ja', 'ko', 'mr', 'nl', 'pl', 'ps', 'pt', 'ru', 'sv', 'sw', 'ta', 'tr', 'uk', 'ur', 'vi', 'zh']（见 ISO 语言代码）。详情请参阅数据表。此外，按照与其他语言相同的采样方法，也为英语添加了105,000个文本对样本，共计27种语言。

此外，对于每种语言，还随机添加了10%的假设-前提文本对，其中英语假设与另一种语言的前提配对（英语前提与另一种语言假设同理）。这种文本对中的语言混合使用户能够用英语为目标语言编写假设。

XNLI 验证集包含从英语专业翻译成其他14种语言的2490个文本（共计37,350个文本）（见此论文）。请注意，XNLI 还包含一个训练集，为14种语言提供14个机器翻译版本的 MultiNLI 数据集，但由于2018年机器翻译的质量问题，这些数据被排除在外。

请注意，为了评估目的，XNLI 训练数据中排除了三种语言 ["bg","el","th"]，仅将其包含在测试数据中。这样做是为了测试模型在 NLI 微调时未见过、仅在预训练时见过（100种语言）的语言上的性能——见下面的评估指标。

训练数据集的总量为3,287,280个假设-前提文本对。

训练过程

mDeBERTa-v3-base-mnli-xnli 使用 Hugging Face trainer 进行训练，超参数如下：

training_args = TrainingArguments(
    num_train_epochs=3,              # 总训练轮数
    learning_rate=2e-05,
    per_device_train_batch_size=32,   # 训练时每个设备的批次大小
    gradient_accumulation_steps=2,   # 以加倍有效批次大小
    warmup_ratio=0.06,                # 学习率调度器的预热步数
    weight_decay=0.01,               # 权重衰减强度
    fp16=False
)

评估结果

该模型在15种语言的 XNLI 测试集（每种语言5010个文本，共75,150个）以及 MultiNLI、Fever-NLI、ANLI、LingNLI 和 WANLI 的英文测试集上进行了评估。请注意，多语言 NLI 模型能够在不接收特定语言 NLI 训练数据的情况下对 NLI 文本进行分类（跨语言迁移）。这意味着该模型还能够对其余73种 mDeBERTa 预训练的语言进行 NLI，但性能可能低于 NLI 微调时见过的语言。下表中语言 ["bg","el","th"] 的性能很好地说明了这种跨语言迁移，因为这些语言未包含在训练数据中。

另请注意，如果模型库中的其他多语言模型声称在英语以外的语言上达到约90%的性能，作者很可能在测试过程中犯了错误，因为最新的论文均未显示多语言平均性能超过 XNLI 的80%以上几个百分点（见此处或此处）。

局限性与偏见

请参阅原始 DeBERTa-V3 论文及关于不同 NLI 数据集的文献以了解潜在偏见。此外，请注意 multilingual-nli-26lang-2mil7 数据集是使用机器翻译创建的，这降低了复杂任务如 NLI 的数据质量。您可以通过 Hugging Face 数据集查看器 查看感兴趣的语言的数据。请注意，机器翻译引入的语法错误对于零样本分类影响较小，因为语法对其不那么重要。

引用

如果该数据集对您有帮助，请引用以下文章：

@article{laurer_less_2022,
	title = {Less {Annotating}, {More} {Classifying} – {Addressing} the {Data} {Scarcity} {Issue} of {Supervised} {Machine} {Learning} with {Deep} {Transfer} {Learning} and {BERT} - {NLI}},
	url = {https://osf.io/74b8k},
	language = {en-us},
	urldate = {2022-07-28},
	journal = {Preprint},
	author = {Laurer, Moritz and Atteveldt, Wouter van and Casas, Andreu Salleras and Welbers, Kasper},
	month = jun,
	year = {2022},
	note = {Publisher: Open Science Framework},
}

合作想法或问题？

如需获取新模型和数据集的最新动态，请在 Twitter 上关注我。 如果您有问题或合作想法，请通过 m{dot}laurer{at}vu{dot}nl 或 LinkedIn 与我联系。

调试与问题

请注意，DeBERTa-v3 于2021年底发布，HF Transformers 旧版本在运行该模型时似乎存在问题（例如导致分词器问题）。使用 Transformers==4.13 或更高版本可能会解决一些问题。请注意，mDeBERTa 目前不支持 FP16，详见：https://github.com/microsoft/DeBERTa/issues/77

(Note: I kept the code blocks and technical terms in their original form as is standard practice for technical translations, only translating the descriptive text.)