README.md

---
library_name: transformers
license: apache-2.0
datasets:
- TeamDelta/bare-ja-v0.1
language:
- ja
base_model:
- llm-jp/llm-jp-3-13b
pipeline_tag: text-generation
---

# ArrowIdeative-13b-NeoBase-ZERO-llm-jp

## 概要
**ArrowIdeative-13b-NeoBase-ZERO-llm-jp** は、ベースモデルから **GRPO（RL）だけ**で事後学習を行うことを主軸に設計された、日本語向けLLMです。狙いとしては、典型的な「強い指示追従（Instruct）」に寄せ切らず、**ベースモデル寄りの“出力の自由度”**を残しつつ、**チャット運用に最低限必要な形式順守**と、**回答品質の底上げ**を同時に実現することです。

位置づけを一言でまとめると：

- **「ある程度プロンプトエンジニアリングが効くベースモデル」**
- ただし **完全なInstructモデルではない**（過剰な同調・過剰な定型化を狙っていない）

---

## モデルの要点
- **学習方式**：ベースモデルから **GRPOのみ**で直接作成（SFTを主軸にしない方針）
- **目的**：
  1. **チャットテンプレート順守**（例：終端トークンなど、形式崩れの抑制）
  2. **回答の品質向上**（報酬モデルによるスカラー報酬の導入）
- **特性**：ベースモデルに近い性格を維持しやすい設計（＝指示追従の“均質化”を抑える意図）

---
## 推論コード

```python
import torch
from copy import deepcopy
from transformers import AutoTokenizer, AutoModelForCausalLM, StoppingCriteria, StoppingCriteriaList

# ===== モデル =====
model_path = "DataPilot/ArrowIdeative-13b-NeoBase-ZERO-llm-jp-v0.2"

tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    device_map="auto",
    torch_dtype=torch.bfloat16,
)
model.eval()

system_prompt = """あなたは有能なアシスタントです。日本語で丁寧に答えてください。"""
prompt = """CPUとGPUの違いについて教えてください。"""

# （元コードのChatML形式を維持）
text = f"""<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
"""

inputs = tokenizer(text, add_special_tokens=False, return_tensors="pt", return_token_type_ids=False).to(model.device)
prompt_len = inputs["input_ids"].shape[1]

# "<|im_end|>" のトークン列（1トークンとは限らないので列で扱う）
stop_ids = tokenizer.encode("<|im_end|>", add_special_tokens=False)
stop_ids = torch.tensor(stop_ids, device=model.device, dtype=inputs["input_ids"].dtype)

class StopOnImEnd(StoppingCriteria):
    def __init__(self, stop_ids_tensor: torch.Tensor):
        super().__init__()
        self.stop_ids = stop_ids_tensor

    def __call__(self, input_ids: torch.LongTensor, scores: torch.FloatTensor, **kwargs) -> bool:
        k = int(self.stop_ids.numel())
        if k == 0 or input_ids.shape[1] < k:
            return False
        return torch.equal(input_ids[0, -k:], self.stop_ids)

stopping_criteria = StoppingCriteriaList([StopOnImEnd(stop_ids)])

# 既定EOSで止まらないようにする（= "<|im_end|>" のみで停止させる）
gen_config = deepcopy(model.generation_config)
gen_config.eos_token_id = None
gen_config.pad_token_id = tokenizer.pad_token_id if tokenizer.pad_token_id is not None else model.config.eos_token_id

with torch.inference_mode():
    output = model.generate(
        **inputs,
        generation_config=gen_config,
        stopping_criteria=stopping_criteria,
        max_new_tokens=1024,
        do_sample=True,
        top_p=0.95,
        temperature=0.5,
        repetition_penalty=1.05,
    )

generated = tokenizer.decode(output[0, prompt_len:], skip_special_tokens=False)
print(generated.split("<|im_end|>", 1)[0])

```
---

## ベースモデル
- Base: **llm-jp-3-13b**  
  https://huggingface.co/llm-jp/llm-jp-3-13b

---

## 使用データ（概要）
- Dataset: **TeamDelta/bare-ja-v0.1** の **質問（プロンプト）部分のみ**を一部利用  
  https://huggingface.co/datasets/TeamDelta/bare-ja-v0.1

このデータは、以下の合成フローにより作成されたものです（要約）：

1. **ベースモデル（Sarashina2-70b）**で質問/回答のたたき台を生成  
2. **Microsoft Phi-4-mini**で品質キュレーション（選別・整形）  
3. **Multilingual E5**で多様性フィルタリング（近似質問の除去、重複削減）

- 参照：Sarashina2-70b  
  https://www.sbintuitions.co.jp/blog/entry/2024/08/21/144254
- BARE用プロンプト：  
  https://github.com/foxn2000/sdg/blob/main/prompts/bare.txt

---

## 学習構成
### 学習・推論フレームワーク
- 学習：**Unsloth**
- 報酬推論：**SGLang**

### 使用デバイス
- **NVIDIA RTX 5090 (32GB)**：主学習
- **NVIDIA RTX 4060 Ti (16GB)**：報酬モデル推論

### 報酬モデル
- **cyberagent/ca-reward-3b-ja**  
  https://huggingface.co/cyberagent/ca-reward-3b-ja

---

## 報酬設計（概要）
報酬は以下の5つの報酬関数で構成され、多角的に学習を誘導します：

### 1. **チャットテンプレートの順守**
   - 終端トークン（`<|im_end|>`）の適切な出力とフォーマット準拠を評価
   - **準拠時**: +1.0 × 長さファクター（短すぎる回答を抑制）
   - **非準拠時**: -5.0（強いペナルティ）
   - **極端に短い回答**: -5.0（15文字未満でハード拒否）

### 2. **反復ペナルティ**
   - n-gram（デフォルト6文字）の反復率でループ出力を検出
   - ペナルティ: -0.5 × 反復率（最大 -2.0）
   - RM-hack（冗長な繰り返しで高スコア獲得）を防止

### 3. **オーバーロング抑制**
   - max_completion_length近傍（85%以降）で段階的にペナルティ
   - ソフトペナルティ: -0.8 × (進行率)^2.0（DAPO風）
   - ハードペナルティ: -1.5（100%以上で切断時）
   - 「最大長まで埋める」ドリフトを防止

### 4. **グループ内多様性**
   - 同一プロンプトに対する複数生成間の重複・類似を検出
   - **完全重複**: -0.3（2個目以降）
   - **高類似（Jaccard≥0.85）**: -0.2 × 類似度
   - エントロピー崩壊（mode collapse）対策

### 5. **回答品質（報酬モデル）**
   - テンプレート準拠の場合のみ評価（ゲート制御）
   - 外部RM（cyberagent/ca-reward-3b-ja）のスカラーを利用
   - スケール: 1.0 × RMスコア、クリップ範囲: ±10.0
   - **正値の場合のみ**長さファクター適用（短い回答への報酬を抑制）
   - RM失敗時は`None`（マスク）として無視され学習に影響しない

### 報酬の合成
- TRL GRPOが全報酬関数の出力を合算（オプションで重み付け可能）
- グループ内相対的優位性（advantage）を計算してポリシー勾配を算出
- 適応的KL制御（beta調整）で参照モデルからの乖離を制御

---

## 使い方（推奨）
### 想定ユースケース
- 0→1のアイデア出し、探索的思考、下書き生成
- 指示を強く固定しすぎない対話（プロンプト設計で誘導する用途）
- ベースモデルの“面白さ”や多様性を残しつつ、最低限チャット運用したい場面

### 注意点
- **強い安全アラインメントや厳密な指示追従**を最優先したモデルではありません  
- プロンプト設計次第で出力が大きく振れます（＝長所でも短所でもある）
- チャットテンプレートを使う場合、**テンプレート仕様に合わせた入出力**を推奨します

---

## 生成品質・挙動の指針
- **ベース寄り**：過度に無難な“合意的テンプレ回答”へ収束させることを目的にしていません
- **プロンプト耐性**：命令の書き方で結果が変わりやすい設計（指示の粒度が重要）
- **出力の個性**：SFT偏重で起きやすい均質化を避け、探索性を残す狙い

---

## 既知の制限
- 形式順守は改善しても、**厳密な指示追従**や**安全性の自動担保**を保証しません  
- 報酬モデルのバイアス（価値観・スタイル）を受けます  
- 一般的なInstructモデルと同じ評価軸で単純比較すると、用途によっては不利になる場合があります

---

## ライセンス
- ベースモデルおよび関連データセットのライセンスに従います。  
  具体的には以下を参照してください：
  - llm-jp-3-13b： https://huggingface.co/llm-jp/llm-jp-3-13b  
  - TeamDelta/bare-ja-v0.1： https://huggingface.co/datasets/TeamDelta/bare-ja-v0.1  
  - ca-reward-3b-ja： https://huggingface.co/cyberagent/ca-reward-3b-ja

---

## 謝辞
- llm-jp プロジェクト
- TeamDelta / bare-ja-v0.1
- サイバーエージェント（ca-reward-3b-ja）
- Unsloth / SGLang および関連OSS

---

## 引用（必要に応じて）
このリポジトリやモデルカードを引用する場合は、以下をベースに調整してください：

```bibtex
@misc{arrowideative_13b_neobase_zero_llm_jp,
  title        = {ArrowIdeative-13b-NeoBase-ZERO-llm-jp},
  author       = {holy-fox},
  year         = {2026},
}
```