LLaMa2lang
v0.5
Repositori ini berisi skrip praktis untuk menyempurnakan LLaMa3-8B (atau model dasar lainnya) untuk obrolan dalam bahasa apa pun (bukan bahasa Inggris). Alasan di balik hal ini adalah bahwa LLaMa3 dilatih terutama pada data berbahasa Inggris dan meskipun sampai batas tertentu dapat berfungsi untuk bahasa lain, kinerjanya buruk dibandingkan dengan bahasa Inggris.
Gabungkan kekuatan penyempurnaan dengan kekuatan RAG - lihat repositori RAG Me Up kami di RAG yang dapat digunakan pada model Anda yang disetel dengan LLaMa2Lang.
pip install -r requirements.txt
# Translate OASST1 to target language
python translate.py m2m target_lang checkpoint_location
# Combine the checkpoint files into a dataset
python combine_checkpoints.py input_folder output_location
# Finetune
python finetune.py tuned_model dataset_name instruction_prompt
# Optionally finetune with DPO (RLHF)
python finetune_dpo.py tuned_model dataset_name instruction_prompt
# Run inference
python run_inference.py model_name instruction_prompt input
Proses yang kami ikuti untuk menyempurnakan model dasar seperti LLaMa3 untuk bahasa tertentu adalah sebagai berikut:
Berikut ini telah diuji tetapi mungkin lebih banyak lagi yang akan berhasil
Proses di atas dapat dijalankan sepenuhnya pada GPU Google Colab T4 gratis. Namun langkah terakhir, hanya dapat berhasil dijalankan dengan jendela konteks yang cukup pendek dan kumpulan paling banyak 2. Selain itu, terjemahan pada langkah 2 memakan waktu total sekitar 36 jam untuk bahasa apa pun sehingga harus dijalankan dalam beberapa langkah jika Anda ingin tetap menggunakan GPU Google Colab gratis.
Model kami yang telah disempurnakan untuk langkah 5 dilakukan menggunakan A40 di broad.ai dan menghabiskan biaya kurang dari satu dolar untuk setiap model, dan selesai dalam waktu sekitar 1,5 jam.
Pastikan pytorch diinstal dan berfungsi untuk lingkungan Anda (lebih disukai penggunaan CUDA): https://pytorch.org/get-started/locally/
Kloning repo dan instal persyaratannya.
pip install -r requirements.txt
usage: translate.py [-h] [--quant8] [--quant4] [--base_dataset BASE_DATASET] [--base_dataset_text_field BASE_DATASET_TEXT_FIELD] [--base_dataset_lang_field BASE_DATASET_LANG_FIELD]
[--checkpoint_n CHECKPOINT_N] [--batch_size BATCH_SIZE] [--max_length MAX_LENGTH] [--cpu] [--source_lang SOURCE_LANG]
{opus,mbart,madlad,m2m,nllb,seamless_m4t_v2,towerinstruct} ... target_lang checkpoint_location
Translate an instruct/RLHF dataset to a given target language using a variety of translation models
positional arguments:
{opus,mbart,madlad,m2m,nllb,seamless_m4t_v2,towerinstruct}
The model/architecture used for translation.
opus Translate the dataset using HelsinkiNLP OPUS models.
mbart Translate the dataset using mBART.
madlad Translate the dataset using Google's MADLAD models.
m2m Translate the dataset using Facebook's M2M models.
nllb Translate the dataset using Facebook's NLLB models.
seamless_m4t_v2 Translate the dataset using Facebook's SeamlessM4T-v2 multimodal models.
towerinstruct Translate the dataset using Unbabel's Tower Instruct. Make sure your target language is in the 10 languages supported by the model.
target_lang The target language. Make sure you use language codes defined by the translation model you are using.
checkpoint_location The folder the script will write (JSONized) checkpoint files to. Folder will be created if it doesn't exist.
options:
-h, --help show this help message and exit
--quant8 Optional flag to load the translation model in 8 bits. Decreases memory usage, increases running time
--quant4 Optional flag to load the translation model in 4 bits. Decreases memory usage, increases running time
--base_dataset BASE_DATASET
The base dataset to translate, defaults to OpenAssistant/oasst1
--base_dataset_text_field BASE_DATASET_TEXT_FIELD
The base dataset's column name containing the actual text to translate. Defaults to text
--base_dataset_lang_field BASE_DATASET_LANG_FIELD
The base dataset's column name containing the language the source text was written in. Defaults to lang
--checkpoint_n CHECKPOINT_N
An integer representing how often a checkpoint file will be written out. To start off, 400 is a reasonable number.
--batch_size BATCH_SIZE
The batch size for a single translation model. Adjust based on your GPU capacity. Default is 10.
--max_length MAX_LENGTH
How much tokens to generate at most. More tokens might be more accurate for lengthy input but creates a risk of running out of memory. Default is unlimited.
--cpu Forces usage of CPU. By default GPU is taken if available.
--source_lang SOURCE_LANG
Source language to select from OASST based on lang property of dataset
Jika Anda menginginkan lebih banyak parameter untuk model terjemahan yang berbeda, jalankan:
python translate.py [MODEL] -h
Pastikan untuk menentukan parameter khusus model terlebih dahulu sebelum Anda menentukan parameter umum dari daftar di atas. Contoh panggilan:
# Using M2M with 4bit quantization and differen batch sizes to translate Dutch
python translate.py m2m nl ./output_nl --quant4 --batch_size 20
# Using madlad 7B with 8bit quantization for German with different max_length
python translate.py madlad --model_size 7b de ./output_de --quant8 --batch_size 5 --max_length 512
# Be sure to use target language codes that the model you use understands
python translate.py mbart xh_ZA ./output_xhosa
python translate.py nllb nld_Latn ./output_nl
HF_TOKEN sesuai dokumentasi. usage: combine_checkpoints.py [-h] input_folder output_location
Combine checkpoint files from translation.
positional arguments:
input_folder The checkpoint folder used in translation, with the target language appended.
Example: "./output_nl".
output_location Where to write the Huggingface Dataset. Can be a disk location or a Huggingface
Dataset repository.
options:
-h, --help show this help message and exit
usage: finetune.py [-h] [--base_model BASE_MODEL] [--base_dataset_text_field BASE_DATASET_TEXT_FIELD] [--base_dataset_rank_field BASE_DATASET_RANK_FIELD] [--base_dataset_id_field BASE_DATASET_ID_FIELD] [--base_dataset_parent_field BASE_DATASET_PARENT_FIELD]
[--base_dataset_role_field BASE_DATASET_ROLE_FIELD] [--quant8] [--noquant] [--max_seq_length MAX_SEQ_LENGTH] [--num_train_epochs NUM_TRAIN_EPOCHS] [--batch_size BATCH_SIZE] [--threads_output_name THREADS_OUTPUT_NAME] [--thread_template THREAD_TEMPLATE]
[--padding PADDING]
tuned_model dataset_name instruction_prompt
Finetune a base instruct/chat model using (Q)LoRA and PEFT
positional arguments:
tuned_model The name of the resulting tuned model.
dataset_name The name of the dataset to use for fine-tuning. This should be the output of the combine_checkpoints script.
instruction_prompt An instruction message added to every prompt given to the chatbot to force it to answer in the target language. Example: "You are a generic chatbot that always answers in English."
options:
-h, --help show this help message and exit
--base_model BASE_MODEL
The base foundation model. Default is "NousResearch/Meta-Llama-3-8B-Instruct".
--base_dataset_text_field BASE_DATASET_TEXT_FIELD
The dataset's column name containing the actual text to translate. Defaults to text
--base_dataset_rank_field BASE_DATASET_RANK_FIELD
The dataset's column name containing the rank of an answer given to a prompt. Defaults to rank
--base_dataset_id_field BASE_DATASET_ID_FIELD
The dataset's column name containing the id of a text. Defaults to message_id
--base_dataset_parent_field BASE_DATASET_PARENT_FIELD
The dataset's column name containing the parent id of a text. Defaults to parent_id
--base_dataset_role_field BASE_DATASET_ROLE_FIELD
The dataset's column name containing the role of the author of the text (eg. prompter, assistant). Defaults to role
--quant8 Finetunes the model in 8 bits. Requires more memory than the default 4 bit.
--noquant Do not quantize the finetuning. Requires more memory than the default 4 bit and optional 8 bit.
--max_seq_length MAX_SEQ_LENGTH
The maximum sequence length to use in finetuning. Should most likely line up with your base model's default max_seq_length. Default is 512.
--num_train_epochs NUM_TRAIN_EPOCHS
Number of epochs to use. 2 is default and has been shown to work well.
--batch_size BATCH_SIZE
The batch size to use in finetuning. Adjust to fit in your GPU vRAM. Default is 4
--threads_output_name THREADS_OUTPUT_NAME
If specified, the threads created in this script for finetuning will also be saved to disk or HuggingFace Hub.
--thread_template THREAD_TEMPLATE
A file containing the thread template to use. Default is threads/template_fefault.txt
--padding PADDING What padding to use, can be either left or right.
6.1 [OPTIONAL] Menyempurnakan menggunakan DPO (mirip dengan RLHF)
usage: finetune_dpo.py [-h] [--base_model BASE_MODEL] [--base_dataset_text_field BASE_DATASET_TEXT_FIELD] [--base_dataset_rank_field BASE_DATASET_RANK_FIELD] [--base_dataset_id_field BASE_DATASET_ID_FIELD] [--base_dataset_parent_field BASE_DATASET_PARENT_FIELD] [--quant8]
[--noquant] [--max_seq_length MAX_SEQ_LENGTH] [--max_prompt_length MAX_PROMPT_LENGTH] [--num_train_epochs NUM_TRAIN_EPOCHS] [--batch_size BATCH_SIZE] [--threads_output_name THREADS_OUTPUT_NAME] [--thread_template THREAD_TEMPLATE] [--max_steps MAX_STEPS]
[--padding PADDING]
tuned_model dataset_name instruction_prompt
Finetune a base instruct/chat model using (Q)LoRA and PEFT using DPO (RLHF)
positional arguments:
tuned_model The name of the resulting tuned model.
dataset_name The name of the dataset to use for fine-tuning. This should be the output of the combine_checkpoints script.
instruction_prompt An instruction message added to every prompt given to the chatbot to force it to answer in the target language. Example: "You are a generic chatbot that always answers in English."
options:
-h, --help show this help message and exit
--base_model BASE_MODEL
The base foundation model. Default is "NousResearch/Meta-Llama-3-8B-Instruct".
--base_dataset_text_field BASE_DATASET_TEXT_FIELD
The dataset's column name containing the actual text to translate. Defaults to text
--base_dataset_rank_field BASE_DATASET_RANK_FIELD
The dataset's column name containing the rank of an answer given to a prompt. Defaults to rank
--base_dataset_id_field BASE_DATASET_ID_FIELD
The dataset's column name containing the id of a text. Defaults to message_id
--base_dataset_parent_field BASE_DATASET_PARENT_FIELD
The dataset's column name containing the parent id of a text. Defaults to parent_id
--quant8 Finetunes the model in 8 bits. Requires more memory than the default 4 bit.
--noquant Do not quantize the finetuning. Requires more memory than the default 4 bit and optional 8 bit.
--max_seq_length MAX_SEQ_LENGTH
The maximum sequence length to use in finetuning. Should most likely line up with your base model's default max_seq_length. Default is 512.
--max_prompt_length MAX_PROMPT_LENGTH
The maximum length of the prompts to use. Default is 512.
--num_train_epochs NUM_TRAIN_EPOCHS
Number of epochs to use. 2 is default and has been shown to work well.
--batch_size BATCH_SIZE
The batch size to use in finetuning. Adjust to fit in your GPU vRAM. Default is 4
--threads_output_name THREADS_OUTPUT_NAME
If specified, the threads created in this script for finetuning will also be saved to disk or HuggingFace Hub.
--thread_template THREAD_TEMPLATE
A file containing the thread template to use. Default is threads/template_fefault.txt
--max_steps MAX_STEPS
The maximum number of steps to run DPO for. Default is -1 which will run the data through fully for the number of epochs but this will be very time-consuming.
--padding PADDING What padding to use, can be either left or right.
6.1 [OPSIONAL] Sempurnakan menggunakan ORPO (mirip dengan RLHF)
usage: finetune_orpo.py [-h] [--base_model BASE_MODEL] [--base_dataset_text_field BASE_DATASET_TEXT_FIELD] [--base_dataset_rank_field BASE_DATASET_RANK_FIELD] [--base_dataset_id_field BASE_DATASET_ID_FIELD] [--base_dataset_parent_field BASE_DATASET_PARENT_FIELD] [--quant8]
[--noquant] [--max_seq_length MAX_SEQ_LENGTH] [--max_prompt_length MAX_PROMPT_LENGTH] [--num_train_epochs NUM_TRAIN_EPOCHS] [--batch_size BATCH_SIZE] [--threads_output_name THREADS_OUTPUT_NAME] [--thread_template THREAD_TEMPLATE] [--max_steps MAX_STEPS]
[--padding PADDING]
tuned_model dataset_name instruction_prompt
Finetune a base instruct/chat model using (Q)LoRA and PEFT using ORPO (RLHF)
positional arguments:
tuned_model The name of the resulting tuned model.
dataset_name The name of the dataset to use for fine-tuning. This should be the output of the combine_checkpoints script.
instruction_prompt An instruction message added to every prompt given to the chatbot to force it to answer in the target language. Example: "You are a generic chatbot that always answers in English."
options:
-h, --help show this help message and exit
--base_model BASE_MODEL
The base foundation model. Default is "NousResearch/Meta-Llama-3-8B-Instruct".
--base_dataset_text_field BASE_DATASET_TEXT_FIELD
The dataset's column name containing the actual text to translate. Defaults to text
--base_dataset_rank_field BASE_DATASET_RANK_FIELD
The dataset's column name containing the rank of an answer given to a prompt. Defaults to rank
--base_dataset_id_field BASE_DATASET_ID_FIELD
The dataset's column name containing the id of a text. Defaults to message_id
--base_dataset_parent_field BASE_DATASET_PARENT_FIELD
The dataset's column name containing the parent id of a text. Defaults to parent_id
--quant8 Finetunes the model in 8 bits. Requires more memory than the default 4 bit.
--noquant Do not quantize the finetuning. Requires more memory than the default 4 bit and optional 8 bit.
--max_seq_length MAX_SEQ_LENGTH
The maximum sequence length to use in finetuning. Should most likely line up with your base model's default max_seq_length. Default is 512.
--max_prompt_length MAX_PROMPT_LENGTH
The maximum length of the prompts to use. Default is 512.
--num_train_epochs NUM_TRAIN_EPOCHS
Number of epochs to use. 2 is default and has been shown to work well.
--batch_size BATCH_SIZE
The batch size to use in finetuning. Adjust to fit in your GPU vRAM. Default is 4
--threads_output_name THREADS_OUTPUT_NAME
If specified, the threads created in this script for finetuning will also be saved to disk or HuggingFace Hub.
--thread_template THREAD_TEMPLATE
A file containing the thread template to use. Default is threads/template_fefault.txt
--max_steps MAX_STEPS
The maximum number of steps to run ORPO for. Default is -1 which will run the data through fully for the number of epochs but this will be very time-consuming.
--padding PADDING What padding to use, can be either left or right.
usage: run_inference.py [-h] model_name instruction_prompt input
Script to run inference on a tuned model.
positional arguments:
model_name The name of the tuned model that you pushed to Huggingface in the previous
step.
instruction_prompt An instruction message added to every prompt given to the chatbot to force
it to answer in the target language.
input The actual chat input prompt. The script is only meant for testing purposes
and exits after answering.
options:
-h, --help show this help message and exit
Bagaimana saya mengetahui model terjemahan mana yang harus dipilih untuk bahasa target saya?
Kami membantu Anda tanpa skrip benchmark.py yang membantu membuat tebakan yang bagus (kumpulan data yang kami gunakan sama dengan model OPUS yang dilatih sehingga hasilnya selalu menguntungkan OPUS). Untuk penggunaannya lihat bantuan script dibawah ini. Model dimuat dalam kuantisasi 4-bit dan dijalankan pada sampel kecil subset buku OPUS.
Pastikan untuk menggunakan bahasa yang paling sering digunakan dalam kumpulan data dasar Anda sebagai bahasa_sumber dan bahasa terjemahan target Anda sebagai bahasa_target. Misalnya untuk OASST1, pastikan untuk menjalankan en dan es sebagai bahasa sumber.
usage: benchmark.py [-h] [--cpu] [--start START] [--n N] [--max_length MAX_LENGTH] source_language target_language included_models
Benchmark all the different translation models for a specific source and target language to find out which performs best. This uses 4bit quantization to limit GPU usage. Note:
the outcomes are indicative - you cannot assume corretness of the BLEU and CHRF scores but you can compare models against each other relatively.
positional arguments:
source_language The source language you want to test for. Check your dataset to see which occur most prevalent or use English as a good start.
target_language The source language you want to test for. This should be the language you want to apply the translate script on. Note: in benchmark, we use 2-character
language codes, in constrast to translate.py where you need to specify whatever your model expects.
included_models Comma-separated list of models to include. Allowed values are: opus, m2m_418m, m2m_1.2b, madlad_3b, madlad_7b, madlad_10b, madlad_7bbt, mbart,
nllb_distilled600m, nllb_1.3b, nllb_distilled1.3b, nllb_3.3b, seamless
options:
-h, --help show this help message and exit
--cpu Forces usage of CPU. By default GPU is taken if available.
--start START The starting offset to include sentences from the OPUS books dataset from. Defaults to 0.
--n N The number of sentences to benchmark on. Defaults to 100.
--max_length MAX_LENGTH
How much tokens to generate at most. More tokens might be more accurate for lengthy input but creates a risk of running out of memory. Default is 512.
Kami telah membuat dan akan terus membuat banyak kumpulan data dan model. Ingin membantu demokratisasi LLM? Kloning repo dan buat kumpulan data dan model untuk bahasa lain, lalu buat PR.
| Bahasa Belanda MemahamiLing/oasst1_nl | Bahasa Spanyol MemahamiLing/oasst1_es | Bahasa Prancis MengertiLing/oasst1_fr | Pemahaman JermanLing/oasst1_de |
| Katalan xaviviro/oasst1_ca | Bahasa Portugis MemahamiLing/oasst1_pt | Arab HeshamHaroon/oasst-arab | Bahasa Italia MemahamiLing/oasst1_it |
| Bahasa Rusia MemahamiLing/oasst1_ru | Bahasa Hindi MengertiLing/oasst1_hi | Pemahaman CinaLing/oasst1_zh | Kristen Polandia/oasst1_pl |
| Pemahaman Bahasa JepangLing/oasst1_jap | Basque xezpeleta/oasst1_eu | Bengali MemahamiLing/oasst1_bn | Bahasa Turki MemahamiLing/oasst1_tr |
Pastikan Anda memiliki akses ke model LLaMa3-8B Meta dan atur HF_TOKEN Anda sebelum menggunakan model ini.
| MemahamiLing/Llama-3-8B-Instruksikan-nl Bahasa Belanda | MemahamiLing/Llama-3-8B-Instruksikan-es Bahasa Spanyol | MemahamiLing/Llama-3-8B-Instruksikan-fr Perancis | MemahamiLing/Llama-3-8B-Instruct-de German |
| MemahamiLing/Llama-3-8B-Instruksikan-pt Bahasa Portugis | MemahamiLing/Llama-3-8B-Instruksikan-itu bahasa Italia | MemahamiLing/Llama-3-8B-Instruksikan-hai bahasa Hindi | MemahamiLing/Llama-3-8B-Instruct-ru Rusia |
| Bahasa Belanda MemahamiLing/oasst1_nl_threads | Bahasa Spanyol MemahamiLing/oasst1_es_threads | Bahasa Prancis MemahamiLing/oasst1_fr_threads | Bahasa Jerman MemahamiLing/oasst1_de_threads |
| Katalan xaviviro/oasst1_ca_threads | Bahasa Portugis MemahamiLing/oasst1_pt_threads | Arab HeshamHaroon/oasst-arabic_threads | Bahasa Italia MemahamiLing/oasst1_it_threads |
| Bahasa Rusia MemahamiLing/oasst1_ru_threads | Bahasa Hindi MemahamiLing/oasst1_hi_threads | Pemahaman CinaLing/oasst1_zh_threads | Kristen Polandia/oasst1_pl_threads |
| Bahasa Jepang MemahamiLing/oasst1_jap_threads | Basque xezpeleta/oasst1_eu_threads | Bengali MemahamiLing/oasst1_bn_threads | Bahasa Turki MemahamiLing/oasst1_tr_threads |
| MemahamiLing/llama-2-7b-chat-nl Belanda | MengertiLing/llama-2-7b-chat-es bahasa Spanyol | MengertiLing/llama-2-7b-chat-fr Perancis | MemahamiLing/llama-2-7b-chat-de Jerman |
| xaviviro/llama-2-7b-chat-ca Catalan | MemahamiLing/llama-2-7b-chat-pt Portugis | HeshamHaroon/llama-2-7b-chat-ar Arab | MengertiLing/llama-2-7b-chat-it bahasa Italia |
| MemahamiLing/llama-2-7b-chat-ru bahasa Rusia | MengertiLing/llama-2-7b-chat-hi bahasa Hindi | MengertiLing/llama-2-7b-chat-zh Cina | chrystians/llama-2-7b-chat-pl-polandia-polski Polandia |
| xezpeleta/llama-2-7b-chat-eu Basque | MemahamiLing/llama-2-7b-chat-bn Bengali | MemahamiLing/llama-2-7b-chat-tr bahasa Turki |
| MemahamiLing/Mistral-7B-Instruct-v0.2-nl Bahasa Belanda | MemahamiLing/Mistral-7B-Instruct-v0.2-es bahasa Spanyol | MemahamiLing/Mistral-7B-Instruct-v0.2-de Bahasa Jerman |
| MemahamiLing/llama-2-13b-chat-nl Belanda | MengertiLing/llama-2-13b-chat-es bahasa Spanyol | MengertiLing/llama-2-13b-chat-fr Perancis |
| MemahamiLing/Mixtral-8x7B-Instruct-nl Bahasa Belanda |
<s>[INST] <<SYS>> Je bent een generieke chatbot die altijd in het Nederlands antwoord geeft. <</SYS>> Wat is de hoofdstad van Nederland? [/INST] Amsterdam</s>
<s>[INST] <<SYS>> Je bent een generieke chatbot die altijd in het Nederlands antwoord geeft. <</SYS>> Wat is de hoofdstad van Nederland? [/INST] Amsterdam</s><s>[INST] Hoeveel inwoners heeft die stad? [/INST] 850 duizend inwoners (2023)</s>
<s>[INST] <<SYS>> Je bent een generieke chatbot die altijd in het Nederlands antwoord geeft. <</SYS>> Wat is de hoofdstad van Nederland? [/INST] Amsterdam</s><s>[INST] Hoeveel inwoners heeft die stad? [/INST] 850 duizend inwoners (2023)</s><s>[INST] In welke provincie ligt die stad? [/INST] In de provincie Noord-Holland</s>
<s>[INST] <<SYS>> Je bent een generieke chatbot die altijd in het Nederlands antwoord geeft. <</SYS>> Wie is de minister-president van Nederland? [/INST] Mark Rutte is sinds 2010 minister-president van Nederland. Hij is meerdere keren herkozen.</s>
T: Mengapa Anda menerjemahkan kumpulan data OASST1/2 lengkap terlebih dahulu? Bukankah lebih cepat jika hanya menerjemahkan thread dengan peringkat tertinggi?
J: Meskipun Anda dapat memperoleh cukup banyak keuntungan dalam hal waktu proses dengan terlebih dahulu membuat rangkaian pesan dan kemudian menerjemahkannya, kami menyediakan terjemahan OASST1/2 lengkap kepada komunitas karena kami yakin terjemahan tersebut dapat bermanfaat bagi mereka sendiri.
T: Seberapa baik kinerja fine-tunesnya dibandingkan dengan vanilla LLaMa3?
J: Meskipun kami tidak memiliki tolok ukur formal, membuat LLaMa3 secara konsisten berbicara dalam bahasa lain selain bahasa Inggris adalah hal yang menantang dan bahkan tidak mungkin. Bahasa non-Inggris yang dihasilkannya sering kali rusak secara tata bahasa. Penyempurnaan kami tidak menunjukkan perilaku ini.
T: Dapatkah saya menggunakan kerangka kerja lain untuk melakukan penyesuaian?
J: Ya, kami menggunakan Axolotl untuk pelatihan pengaturan multi-GPU.
T: Dapatkah saya mencampur model terjemahan yang berbeda?
J: Tentu saja, menurut kami, penerjemahan yang dilakukan dengan beberapa model mungkin akan meningkatkan performa. Anda dapat mencapai hal ini dengan menghentikan terjemahan lebih awal dan melanjutkan dari pos pemeriksaan dengan menjalankan kembali skrip terjemahan dengan model terjemahan yang berbeda.
Kami secara aktif mencari pendanaan untuk mendemokratisasi AI dan memajukan penerapannya. Hubungi kami di [email protected] jika Anda ingin berinvestasi.
