TimeCapsuleLLM-ja-v3

TimeCapsuleLLM-ja phase5

1868–1945年に限定した日本語コーパスからゼロから学習したdecoder-only GPTです。現代の知識や安全性を備えたチャットモデルではありません。

v2からモデル規模のみを345M→730Mへ拡大したv3です。学習データはv2と同一（2,742,489,368 unique train tokens）のため、対応データセットは新規公開せず trtd56/TimeCapsuleLLM-ja-corpus-v2 を引き続き参照します。

学習データと評価

対応データセットは trtd56/TimeCapsuleLLM-ja-corpus-v2 です。青空文庫の時代・権利フィルタ通過作品と、1945年以前刊行かつPDMであるNDL OCR品質通過資料を使用しました。test作品はフェーズ間で固定しています。

• Parameters: 730,164,480

• Processed tokens: 8,231,321,600

• Training iterations: 31,400

• 戦前test BPB: 0.9922

• 現代文control BPB: 1.6698

• 自動生成rubric: 100.0%

詳細な設定、checksum、固定プローブ出力は同梱の training_config.yaml、artifact_manifest.json、evaluation.json を参照してください。

推論

python inference.py '文明開化とは' を実行してください。必要パッケージは torch, tokenizers, safetensors です。

限界

小型モデルであり、事実誤認、反復、OCR由来の誤字、歴史的な差別表現を生成し得ます。医療・法律・金融その他の意思決定には使用しないでください。