japanese-gpt2-medium-formal-fullft

rinna/japanese-gpt2-medium（GPT-2アーキテクチャ、336M）を、カジュアルな日本語文をフォーマルな日本語文に変換する指示応答データでフルファインチューニングしたモデルです。

学習データはMAGPIE（arXiv:2406.08464）の手法で Qwen/Qwen2.5-7B-Instruct を使い1,000件合成し、日本語純度・フォーマット・長さ比・疑問形保持・重複でフィルタしたものを使用しています。

同じデータ・同条件でLoRAのみを学習した Sapolas0730/japanese-gpt2-medium-formal-lora との比較実験の詳細はZenn記事を参照してください。

使い方

Hugging Face transformers の標準形式で保存されているため、そのまま読み込めます。

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Sapolas0730/japanese-gpt2-medium-formal-fullft"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)
model.eval()

instruction = "次の文をフォーマルな言い方に変換してください：明日暇？"
prompt = f"以下はタスクを説明する指示です。指示に従って応答を書いてください。\n\n### 指示:\n{instruction}\n\n### 応答:\n"

input_ids = tokenizer(prompt, return_tensors="pt", add_special_tokens=False).input_ids
output_ids = model.generate(
    input_ids,
    max_new_tokens=100,
    min_new_tokens=5,
    pad_token_id=tokenizer.pad_token_id or tokenizer.eos_token_id,
    eos_token_id=tokenizer.eos_token_id,
    repetition_penalty=1.3,
    no_repeat_ngram_size=3,
)
print(tokenizer.decode(output_ids[0][input_ids.shape[-1]:], skip_special_tokens=True))

学習詳細

• ベースモデル: rinna/japanese-gpt2-medium（学習可能パラメータ 336,128,000 = 100%）
• 学習率: 5e-5 / バッチサイズ4 × 勾配累積4（実効バッチサイズ16）
• 検証データ10%を分け、Early Stopping（patience=3）で最良時点のモデルを採用
• 採用エポック: 2.0（eval_loss 1.021）。以降のエポックでeval_lossが悪化し過学習
• ピークGPUメモリ: 6.84GB / 学習時間: 67.3秒

既知の制約

• 学習データは1,000件の合成データのみで、実運用の日本語表現を網羅していません。
• エポック数を増やすと過学習しやすく、汎化性能は限定的です。
• 推論時に貪欲法（greedy decoding）を使うと同一フレーズを繰り返すことがあるため、repetition_penalty や no_repeat_ngram_size の使用を推奨します。

ライセンス

ベースモデル（rinna/japanese-gpt2-medium）・学習データ生成に使用したQwen/Qwen2.5-7B-Instructはいずれも寛容なオープンライセンス（MIT / Apache 2.0）で公開されています。本モデルもこれに従います。