---
license: gemma
base_model: google/gemma-4-E4B-it
datasets:
  - Simon-Liu/github-mcp-call-reasoning-1k
language:
  - zh
  - en
library_name: transformers
pipeline_tag: text-generation
tags:
  - function-calling
  - tool-use
  - github-mcp
  - gemma
  - traditional-chinese
---

# GitHub MCP Function-Calling — Gemma 4 E4B（full SFT）

以 [`google/gemma-4-E4B-it`](https://huggingface.co/google/gemma-4-E4B-it) 為基底，在 [`Simon-Liu/github-mcp-call-reasoning-1k`](https://huggingface.co/datasets/Simon-Liu/github-mcp-call-reasoning-1k) 上做**全參數監督式微調（full-parameter SFT）**，訓練成會先推理、再正確呼叫 GitHub MCP 工具（function calling）的繁體中文模型。

## 微調前後成效（held-out 測試集，n=50）

未微調基底 vs 微調後，在相同 held-out 樣本上的工具呼叫正確率：

| 指標 | FT 前 | FT 後 | 提升 |
|---|---:|---:|---:|
| 有工具呼叫率 | 86.0% | 100.0% | +14.0% |
| 函式名正確率 | 86.0% | 100.0% | +14.0% |
| 名稱+參數全對率 | 74.0% | 98.0% | +24.0% |

> **有工具呼叫率**＝是否吐出 `<tool_call>`；**函式名正確率**＝function name 正確；**名稱+參數全對率**＝name 與 arguments 皆正確（exact match，最嚴格）。

## 訓練設定

- 方法：全參數 SFT（非 LoRA）
- 基底：`google/gemma-4-E4B-it`
- 資料：`Simon-Liu/github-mcp-call-reasoning-1k`（~1k 筆 GitHub MCP function-calling，繁中推理）
- epochs 3、effective batch 8、learning rate 1e-5、optimizer adafactor、max length 4096、bf16

## 使用方式

```python
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model = AutoModelForCausalLM.from_pretrained("Simon-Liu/gemma-4-e4b-github-mcp-sft-it", torch_dtype=torch.bfloat16, device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("Simon-Liu/gemma-4-e4b-github-mcp-sft-it")

messages = [
    {"role": "system", "content": "<工具定義，Hermes 風格 JSON>"},
    {"role": "user", "content": "我現在 GitHub 登入的帳號是誰？"},
]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=512, do_sample=False)
print(tokenizer.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))
```

## 授權

衍生自 Google Gemma，使用前請遵守 [Gemma 使用條款](https://ai.google.dev/gemma/terms)。