evex-ft-3

evex-ft-3

Qwen3-0.6B (instruct) に、ある Discord サーバーの過去ログを追加学習したもの。

evex-ft-2 と同じコーパス・同じ設定で、 変えたのは --base を base 版から instruct 版にした 1 点だけ。

ゼロから学習した兄弟もある — evex-1 / evex-2（5.87M / tokenizer もログから作った）。

⚠️ 表示名が重みに入っている

話者ラベルが実在の人の表示名そのもの（あかり: にょ: たこ:）。 つまりこのモデルは特定の人になりきって書ける。

• 出力をその人が書いたものとして扱ってはいけない
• 学習データは同意を明示的に取っていない会話。ログそのものと Discord の user ID は公開していない
• 使える 147 個のラベルは speakers.json にある（表示名と発言数だけ）
• このモデルは逐語コピーが 13.3% ある（下記）。ft-2 の 0% より高い

なぜ instruct 版に乗せたか

ft-2 の不満は「間違っている」ではなく**「文の体をなしていない」**だった。実際に Discord で返っていたもの:

Q: 日本の首都どこ          A: zeta-aiはお前らのアカウントからのメッセージしか見れない定期
Q: t3traって誰？           A: 見てたら知らなかったw
Q: ユニバ行きたい          A: 拡張機能から削除しとくか

受け入れ基準は「大阪市なら間違っていても構わない」。つまり欲しいのは知識ではなく 答えの形にする性質で、それを持っているのは instruct 版だけ （instruct 素の実測: 首都 → 大阪市 / 17×23 → 400。中身は外すが形にはなっている）。

base 版を選んでいた元の理由は「instruct の『承知しました』が上書きしきれない」 だった。それが今回は欲しいものになった。

効果と代償（実測）

同じプロンプト・同じ乱数で、このサーバー自身の val を同じ尺度で測った値を地の値 として並べる。

匿名の役 B:（n=50）

名前持ち あかり:（n=30）

狙いは当たった。答えの形になる。

'@C ちょっと分からないけどgitのrebaseはコミットまでやる、mergeは最初から2つ目までの部分だけするんだよ'
'グローバルリポジトリの参照から、リポジトリの別にあるファイルを最新に反映させる操作'
'@あかり UDPはネットワークの帯域をフル活用するために使うため、TCPは帯域を使用する前に…'

心配していた助手口調は漏れなかった（敬体 0%）。1 epoch では instruct の 「〜がおすすめです」が出てくる前に口調が移った。

代償は2つ。 なりきり時の噛み合いが 55% → 33% に落ち、逐語コピーが 13.3% に増えた（ゴミみたいにゃ機能つけたせいで嫌い のような実発言の丸写し）。 なりきりを重視するなら ft-2、答えの形を重視するなら ft-3。

数字

1 epoch なのは GPU 枠の都合（残り5時間）。2 epoch なら答えの形はさらに強く、 なりきりはさらに弱くなる見込み。

コーパス sft-v5（ft-2 と同一）

外部データは使っていない。全部このサーバーのログ。

長い発言の 91% は名前を持つ人のものなので、そこを重くすると「長く喋る」と 「なりきり度」が同時に上がる。切り出しの一部は話者を匿名の役に付け替えてある （bot が既定で匿名の役で喋るのに、信号の 88% が名前持ちだった）。

使い方

素の transformers で動く。独自トークンは1つも足していない。

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

path = "tako080614/evex-ft-3"
tok = AutoTokenizer.from_pretrained(path, subfolder="epoch-1")
model = AutoModelForCausalLM.from_pretrained(path, subfolder="epoch-1", dtype=torch.float32)
model.eval()

prompt = "#ch2\nA: git rebase と merge の違いって何\nB:"

ids = tok(prompt, return_tensors="pt")
out = model.generate(**ids, max_new_tokens=80, do_sample=True, temperature=0.9,
                     top_k=40, min_p=0.05, repetition_penalty=1.1,
                     pad_token_id=tok.eos_token_id)
print(tok.decode(out[0], skip_special_tokens=True)[len(prompt):])

チャットテンプレートは使わない。 instruct 版が土台だが、学習したのは 名前: 本文 の会話ログ形式なので、apply_chat_template を通すと学習中に 一度も見ていない形になる。

プロンプトの形

#ch2                       ← #ch0..#ch15 か #other（上位16で全体の 97%）
たこ: これバグってる？        ← 147人は表示名（speakers.json）
A: どこで止まってる？         ← それ以外は A..H / Z の相対の役
あかり:                     ← 末尾に置いた人として続きを書く

同じ人が続けて喋ることがある（学習データの話者の塊のうち 27.4% が2連続以上）。 素の日本語形式には終端トークンが無いので、放っておくと max_new_tokens を使い切る。 次の 名前: で切ること。

できること / できないこと

できる: 答えの形にすること、そのサーバーの口調、147人の読み分け（ft-2 より弱い）

できない: 事実、計算、翻訳、指示に従うこと

内容は当てにならない。 0.6B なので、instruct 版ですら「日本の首都」を大阪と答える。 狙えるのは「話を受けて、それらしい形で、このサーバーの口調で返す」まで。

ライセンス

ベースは Qwen3-0.6B (Apache-2.0) の派生。学習データは非公開の私的な会話なので、 再配布・商用利用は想定していない。上の「表示名が重みに入っている」を必ず読むこと。