Downloads · 30 days
24
17% of all-time downloads
tokimoa/jp-gijiroku-qwen3-4b-v2
jp-gijiroku-qwen3-4b-v2 is a text generation model from tokimoa. Use it when you need the model to write or continue text. It is set up for mlx. The card lists the license as apache-2.0.
日本語の会議記録から出席者・決定事項・宿題(担当/期限)・次回予定を構造化JSONで抽出する4Bモデルです。初代 jp-gijiroku-qwen3-4b の後継で、実際の60分Zoom会議の録音→話者分離→文字起こし→抽出パイプラインで見つけた弱点を標的に継続学習しました。判断過程を書いてから最終行にJSONを出力します。GGUF版は jp-gijiroku-qwen3-4b-v2-GGUF です。
Downloads · 30 days
24
17% of all-time downloads
All-time downloads
140
Public
Parameters
4B
2.3 GB on disk
Likes
0
Public
Click a slice to open those files.
.safetensors2.3 GB · 99%
How the weights are stored.
U324B · 100%
From the Hugging Face model README
日本語の会議記録から出席者・決定事項・宿題(担当/期限)・次回予定を構造化JSONで抽出する4Bモデルです。初代 jp-gijiroku-qwen3-4b の後継で、実際の60分Zoom会議の録音→話者分離→文字起こし→抽出パイプラインで見つけた弱点を標的に継続学習しました。判断過程を書いてから最終行にJSONを出力します。GGUF版は jp-gijiroku-qwen3-4b-v2-GGUF です。
date: "なし"(初代は不定と明記していた点の解消)話者A: ... 形式の生転写を直接入力できる| 指標 | 初代 | v2 |
|---|---|---|
| 整った入力の合成val(50件・全項目正解) | 38/50 | 39/50 |
| 弱点標的val(60件・話者ラベル/日付なし/完了報告) | — | 54/60 |
| コミット対比val(60件・報告内コミットの判別) | — | 44/60 |
| ASR劣化転写20件・全項目正解(GGUF Q8_0) | 16/20 | 15/20 |
数値の同等さ以上に、実会議で起きる系統的ミス(上の5項目)の解消がv2の価値です。60分実会議の全文抽出で捏造ゼロ・報告内コミット宿題の抽出を確認しています(初代は全滅)。検証セットは学習と分離しています。
実会議のE2E検証で見つけた弱点ごとに合成会議を設計(話者ラベル形式・日付なし・完了/未完報告の対比・期限ディストラクタ・コミットあり/なしの対比学習ペア)し、DeepSeek-V4-Flash に正解を渡した上で本文根拠の判断過程を書かせる(GTヒント蒸留・全フィールド機械照合で検証)方式で軌跡を作り、初代のアダプタからQLoRA継続学習しました。
from mlx_lm import load, generate
repo = "tokimoa/jp-gijiroku-qwen3-4b-v2"
model, tokenizer = load(repo, adapter_path=repo) # アダプタ同梱
q = """次の議事録から出席者・決定事項・宿題(担当と期限)・次回予定を抽出してJSONで出力してください。
(ここに文字起こしテキストや議事メモ)"""
prompt = tokenizer.apply_chat_template(
[{"role": "user", "content": q}], add_generation_prompt=True, tokenize=False)
out = generate(model, tokenizer, prompt, max_tokens=1000)
# 判断過程のあと最終行にJSONが出る → 最終行をパースする
print(out.strip().split("\n")[-1])
プロンプトは上記の定型文をそのまま使ってください(学習分布の形式です)。出力スキーマ: {"date", "attendees", "decisions", "todos": [{"task","owner","due"}], "next_meeting"}
長時間会議(30分超)は10分前後のチャンクに分けて抽出→統合を推奨します。学習分布(〜2千トークン)に近い入力長のほうが網羅性が大きく上がります(60分実会議で一括=決定1・宿題1に対しチャンク統合=決定7・宿題6)。
Developed by tokimoa — データを外に出さないAI活用を支援しています