language, license, tags, pipeline_tag
| language | license | tags | pipeline_tag | |||||||
|---|---|---|---|---|---|---|---|---|---|---|
|
apache-2.0 |
|
text-generation |
tokenizerから自作した英語＆日本語対応モデル（アーキテクチャーはOLMo-2-386Mベース）
LLM学習の勉強用に開発したモデルです。会話にはなりません。
英日バイリンガルの小規模言語モデル。OLMo-2 アーキテクチャをベースに、ランダム初期化から Pretrain → CPT → SFT → DPO の4ステージパイプラインで学習しました。
事前学習済みモデルの重みをダウンロードせず、AllenAI が公開しているアーキテクチャ設定（config.json）のみを使用してゼロから学習しています。
モデル概要
| 項目 | 値 |
|---|---|
| アーキテクチャ | OLMo-2（縮小版） |
| パラメータ数 | ~386M |
| 語彙数 | 65,536（英日 BPE） |
| コンテキスト長 | 2,048 tokens |
| 精度 | bfloat16 |
| 対応言語 | 英語 / 日本語 |
アーキテクチャ詳細
| ハイパーパラメータ | 値 |
|---|---|
| hidden_size | 1,024 |
| num_hidden_layers | 16 |
| num_attention_heads | 16 |
| num_key_value_heads | 8（GQA） |
| intermediate_size | 4,096 |
学習パイプライン
ランダム重み初期化
↓
Stage 1: Pretraining (~2B tokens, EN 70% / JA 30%)
↓
Stage 2: CPT / Annealing (高品質データで継続学習)
↓
Stage 3: SFT (~115K instruction samples)
↓
Stage 4: DPO (UltraFeedback preference alignment)
↓
本モデル
Stage 1: Pretraining
| 項目 | 詳細 |
|---|---|
| データ | FineWeb (EN 70%) + Wikipedia JA (JA 30%) |
| トークン数 | ~2B tokens |
| LR | 3e-4（cosine + min-LR 10%） |
| Effective batch | 128 seq ≈ 262K tokens |
| Optimizer | AdamW (weight_decay=0.1) |
Stage 2: CPT（Continued Pretraining）
| 項目 | 詳細 |
|---|---|
| データ | FineWeb-Edu (EN 60%) + CulturaX JA (JA 40%) |
| ドキュメント数 | 500K docs |
| LR | 1e-4（cosine） |
Stage 3: SFT（Supervised Fine-Tuning）
| データセット | サンプル数 | 言語 |
|---|---|---|
| allenai/tulu-3-sft-mixture | 70,000 | 英語 |
| kunishou/databricks-dolly-15k-ja | ~15,000 | 日本語 |
| lightblue/tagengo-gpt4（日本語のみ） | 10,000 | 日本語 |
| izumi-lab/llm-japanese-dataset | 20,000 | 日本語 |
| 合計 | ~115,000 |
| 項目 | 値 |
|---|---|
| LR | 5e-6（linear） |
| Epochs | 2 |
| Effective batch | 64 |
| Loss | Cross-Entropy（assistant turns のみ） |
Stage 4: DPO（Direct Preference Optimization）
| 項目 | 詳細 |
|---|---|
| データ | allenai/ultrafeedback_binarized_cleaned |
| Loss | DPO sigmoid（β=0.1） |
| LR | 5e-7（linear） |
| Epochs | 1 |
トークナイザー
英日バイリンガル BPE トークナイザーをゼロから学習しました。
| 項目 | 値 |
|---|---|
| 種類 | ByteLevel BPE |
| 語彙数 | 65,536（= 2¹⁶） |
| 学習データ | FineWeb 60K docs + Wikipedia JA 60K docs |
| 特殊トークン | <|endoftext|>, <|padding|>, <|user|>, <|assistant|>, <|system|> |
OLMo-2 のオリジナルトークナイザー（vocab=50,280）と比べて日本語トークン効率が大幅に向上しています。
使い方
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
model_id = "itacora/olmo2-386m-ja"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id,
torch_dtype=torch.bfloat16,
device_map="auto",
)
messages = [{"role": "user", "content": "機械学習とは何ですか？"}]
input_text = tokenizer.apply_chat_template(
messages, tokenize=False, add_generation_prompt=True
)
inputs = tokenizer(input_text, return_tensors="pt").to(model.device)
inputs.pop("token_type_ids", None)
with torch.inference_mode():
output = model.generate(
**inputs,
max_new_tokens=200,
temperature=0.7,
top_p=0.9,
do_sample=True,
repetition_penalty=1.3,
)
response = tokenizer.decode(output[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True)
print(response)
チャットテンプレート
<|user|>
{ユーザーの入力}
<|assistant|>
{モデルの返答}<|endoftext|>
学習環境
| 項目 | 詳細 |
|---|---|
| GPU | NVIDIA RTX 4090 (24GB VRAM) |
| フレームワーク | PyTorch 2.4 + Transformers + TRL |
| 精度 | bfloat16 + gradient checkpointing |
| プラットフォーム | RunPod |
限界と注意事項
- Pretrain データ量: Chinchilla 最適値（386M × 20 = ~8B tokens）に対して約 2B tokens のみ。言語能力・知識量ともに制限があります。
- 繰り返し: 長い生成では同じ文が繰り返されることがあります。
repetition_penalty=1.3の使用を推奨します。 - 事実の誤り: 知識が不十分なため、誤った情報を生成する場合があります。重要な用途には使用しないでください。
- 日本語品質: SFT データの一部（izumi-lab）に
【P】等のフォーマットマーカーが含まれており、日本語生成に影響することがあります。 - 研究・実験目的: 本モデルはフルパイプラインの動作確認・学習実験を目的として作成されました。プロダクション用途には適しません。
ライセンス
Apache 2.0
学習データに使用した各データセットのライセンスも確認してください：
- FineWeb: ODC-By
- Wikipedia: CC BY-SA 4.0
- Tülu-3 SFT mixture: ODC-BY
- UltraFeedback: MIT
引用
本モデルは以下の研究・成果物をベースにしています：
@article{olmo2,
title={OLMo 2: The best fully open language model to date},
author={Team OLMo},
year={2025},
url={https://arxiv.org/abs/2501.00656}
}