语言支持:

• 多语言
• 英语
• 俄语
• 中文
• 德语
• 西班牙语
• 法语
• 日语
• 意大利语
• 葡萄牙语
• 希腊语
• 韩语
• 芬兰语
• 印尼语
• 土耳其语
• 阿拉伯语
• 越南语
• 泰语
• 保加利亚语
• 加泰罗尼亚语
• 印地语
• 爱沙尼亚语
• 孟加拉语
• 泰米尔语
• 乌尔都语
• 斯瓦希里语
• 泰卢固语
• 巴斯克语
• 缅甸语
• 海地克里奥尔语
• 克丘亚语

许可证: MIT协议 缩略图: https://huggingface.co/front/thumbnails/facebook.png 推理支持: 不支持

XGLM-7.5B多语言大模型

XGLM-7.5B是一个具有75亿参数的多语言自回归语言模型，基于总计5000亿子词标记的多样化语言平衡语料库训练而成。该模型由Xi Victoria Lin*、Todor Mihaylov等学者在论文《多语言大模型的少样本学习》中提出，原始实现发布于PyTorch官方仓库。

训练数据统计

XGLM-7.5B的训练数据分布如下表所示：

模型使用说明

关于模型的预期用途，请参考开发团队发布的模型卡片。

使用示例（COPA任务）

以下代码片段展示了如何用英语、中文和印地语评估模型在合理性选择（COPA）任务中的零样本表现：

# 中英文代码实现（此处保留原始代码格式）
import torch
from transformers import XGLMTokenizer, XGLMForCausalLM

# 初始化模型和分词器
tokenizer = XGLMTokenizer.from_pretrained("facebook/xglm-7.5B")
model = XGLMForCausalLM.from_pretrained("facebook/xglm-7.5B")

# 多语言测试数据
data_samples = {
    'zh': [
        {
            "前提": "我想节约能源。",
            "选项1": "我在空着的房间里扫了地板。",
            "选项2": "我把空房间里的灯关了。",
            "问题类型": "结果",
            "正确答案": "1"
        }
    ]
}

def 计算合理性得分(前提, 选项):
    # 实现逻辑（保留原始函数功能）
    ...

# 零样本评估
for 语言 in data_samples:
    for 样例 in data_samples[语言]:
        预测结果 = COPA评估(样例["前提"], 样例["选项1"], 样例["选项2"])
        print(f'{语言}样例', 预测结果, 样例['正确答案'])

# 输出示例:
# zh样例 1 1