README.md

---
license: apache-2.0
language:
- ja
tags:
- historical
- text-generation
datasets:
- trtd56/TimeCapsuleLLM-ja-corpus-v1
---

# TimeCapsuleLLM-ja phase3

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。

`v1-small`からデータ量・モデル規模を拡大した`v1`です。代表的な成功例と失敗例は `phase3_generation_samples.md` に掲載しています。

## 学習データと評価

対応データセットは `trtd56/TimeCapsuleLLM-ja-corpus-v1` 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。

- `aozora-bunko`: 1,576 documents / 15,457,625 characters
- `ndl-next-digital-library`: 27,527 documents / 1,944,648,693 characters



- 戦前test BPB: 1.0654
- 現代文control BPB: 1.8756
- 自動生成rubric: 93.3%

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。