该模型于 2023-01-25 在 HF papers 上发布，并于 2023-06-20 贡献至 Hugging Face Transformers。

XLM-V

概述

XLM-V 是一个多语言语言模型，拥有 100 万 token 的词汇表，并在来自 Common Crawl 的 2.5TB 数据上进行了训练（与 XLM-R 相同）。 它由 Davis Liang、Hila Gonen、Yuning Mao、Rui Hou、Naman Goyal、Marjan Ghazvininejad、Luke Zettlemoyer 和 Madian Khabsa 在论文 XLM-V: Overcoming the Vocabulary Bottleneck in Multilingual Masked Language Models 中提出。

XLM-V 论文的摘要：

大型多语言语言模型通常依赖一个在 100 多种语言间共享的单一词表。 随着这些模型的参数量和深度不断增加，词表大小基本保持不变。 这种词表瓶颈限制了 XLM-R 等多语言模型的表示能力。 在本文中，我们提出了一种将词表扩展到超大规模多语言词表的新方法： 通过弱化词汇重叠较少的语言之间的 token 共享，并为每种语言分配足够的词表容量以实现充分覆盖。 与 XLM-R 相比，使用我们词表进行分词的结果通常更具语义意义且更短。 利用这一改进的词表，我们训练了 XLM-V，一个拥有百万级 token 词表的多语言语言模型。 XLM-V 在我们测试的所有任务上均优于 XLM-R，涵盖自然语言推理（XNLI）、问答（MLQA、XQuAD、TyDiQA）、 命名实体识别（WikiAnn）以及低资源任务（Americas NLI、MasakhaNER）。

该模型由 stefan-it 贡献，其中包含在下游任务上使用 XLM-V 进行的详细实验。 实验仓库可在此处找到。

使用技巧

• XLM-V 与 XLM-RoBERTa 模型架构兼容，只需将 fairseq 库中的模型权重进行转换即可。
• XLMTokenizer 实现用于加载词表并执行分词。

XLM-V（base 规模）模型可通过 facebook/xlm-v-base 标识符获取。

XLM-V 的架构与 XLM-RoBERTa 相同，请参阅 XLM-RoBERTa 文档 以获取 API 参考和示例。

Update on GitHub