Update all references to canonical models (#29001)

* Script & Manual edition

* Update

docs/source/zh/multilingual.md

@@ -18,7 +18,7 @@ rendered properly in your Markdown viewer.
 
 [[open-in-colab]]
 
-🤗 Transformers 中有多种多语言模型，它们的推理用法与单语言模型不同。但是，并非*所有*的多语言模型用法都不同。一些模型，例如 [bert-base-multilingual-uncased](https://huggingface.co/bert-base-multilingual-uncased) 就可以像单语言模型一样使用。本指南将向您展示如何使用不同用途的多语言模型进行推理。
+🤗 Transformers 中有多种多语言模型，它们的推理用法与单语言模型不同。但是，并非*所有*的多语言模型用法都不同。一些模型，例如 [google-bert/bert-base-multilingual-uncased](https://huggingface.co/google-bert/bert-base-multilingual-uncased) 就可以像单语言模型一样使用。本指南将向您展示如何使用不同用途的多语言模型进行推理。
 
 ## XLM
 
@@ -28,24 +28,24 @@ XLM 有十个不同的检查点，其中只有一个是单语言的。剩下的
 
 以下 XLM 模型使用语言嵌入来指定推理中使用的语言：
 
-- `xlm-mlm-ende-1024` （掩码语言建模，英语-德语）
-- `xlm-mlm-enfr-1024` （掩码语言建模，英语-法语）
-- `xlm-mlm-enro-1024` （掩码语言建模，英语-罗马尼亚语）
-- `xlm-mlm-xnli15-1024` （掩码语言建模，XNLI 数据集语言）
-- `xlm-mlm-tlm-xnli15-1024` （掩码语言建模+翻译，XNLI 数据集语言）
-- `xlm-clm-enfr-1024` （因果语言建模，英语-法语）
-- `xlm-clm-ende-1024` （因果语言建模，英语-德语）
+- `FacebookAI/xlm-mlm-ende-1024` （掩码语言建模，英语-德语）
+- `FacebookAI/xlm-mlm-enfr-1024` （掩码语言建模，英语-法语）
+- `FacebookAI/xlm-mlm-enro-1024` （掩码语言建模，英语-罗马尼亚语）
+- `FacebookAI/xlm-mlm-xnli15-1024` （掩码语言建模，XNLI 数据集语言）
+- `FacebookAI/xlm-mlm-tlm-xnli15-1024` （掩码语言建模+翻译，XNLI 数据集语言）
+- `FacebookAI/xlm-clm-enfr-1024` （因果语言建模，英语-法语）
+- `FacebookAI/xlm-clm-ende-1024` （因果语言建模，英语-德语）
 
 语言嵌入被表示一个张量，其形状与传递给模型的 `input_ids` 相同。这些张量中的值取决于所使用的语言，并由分词器的 `lang2id` 和 `id2lang`  属性识别。
 
-在此示例中，加载 `xlm-clm-enfr-1024` 检查点（因果语言建模，英语-法语）：
+在此示例中，加载 `FacebookAI/xlm-clm-enfr-1024` 检查点（因果语言建模，英语-法语）：
 
 ```py
 >>> import torch
 >>> from transformers import XLMTokenizer, XLMWithLMHeadModel
 
->>> tokenizer = XLMTokenizer.from_pretrained("xlm-clm-enfr-1024")
->>> model = XLMWithLMHeadModel.from_pretrained("xlm-clm-enfr-1024")
+>>> tokenizer = XLMTokenizer.from_pretrained("FacebookAI/xlm-clm-enfr-1024")
+>>> model = XLMWithLMHeadModel.from_pretrained("FacebookAI/xlm-clm-enfr-1024")
 ```
 
 分词器的 `lang2id` 属性显示了该模型的语言及其对应的id：
@@ -83,8 +83,8 @@ XLM 有十个不同的检查点，其中只有一个是单语言的。剩下的
 
 以下 XLM 模型在推理时不需要语言嵌入：
 
-- `xlm-mlm-17-1280` （掩码语言建模，支持 17 种语言）
-- `xlm-mlm-100-1280` （掩码语言建模，支持 100 种语言）
+- `FacebookAI/xlm-mlm-17-1280` （掩码语言建模，支持 17 种语言）
+- `FacebookAI/xlm-mlm-100-1280` （掩码语言建模，支持 100 种语言）
 
 与之前的 XLM 检查点不同，这些模型用于通用句子表示。
 
@@ -92,8 +92,8 @@ XLM 有十个不同的检查点，其中只有一个是单语言的。剩下的
 
 以下 BERT 模型可用于多语言任务：
 
-- `bert-base-multilingual-uncased` （掩码语言建模 + 下一句预测，支持 102 种语言）
-- `bert-base-multilingual-cased` （掩码语言建模 + 下一句预测，支持 104 种语言）
+- `google-bert/bert-base-multilingual-uncased` （掩码语言建模 + 下一句预测，支持 102 种语言）
+- `google-bert/bert-base-multilingual-cased` （掩码语言建模 + 下一句预测，支持 104 种语言）
 
 这些模型在推理时不需要语言嵌入。它们应该能够从上下文中识别语言并进行相应的推理。
 
@@ -101,8 +101,8 @@ XLM 有十个不同的检查点，其中只有一个是单语言的。剩下的
 
 以下 XLM-RoBERTa 模型可用于多语言任务：
 
-- `xlm-roberta-base` （掩码语言建模，支持 100 种语言）
-- `xlm-roberta-large` （掩码语言建模，支持 100 种语言）
+- `FacebookAI/xlm-roberta-base` （掩码语言建模，支持 100 种语言）
+- `FacebookAI/xlm-roberta-large` （掩码语言建模，支持 100 种语言）
 
 XLM-RoBERTa 使用 100 种语言的 2.5TB 新创建和清理的 CommonCrawl 数据进行了训练。与之前发布的 mBERT 或 XLM 等多语言模型相比，它在分类、序列标记和问答等下游任务上提供了更强大的优势。