---
license: mit
language:
- ja
base_model:
- Aratako/Qwen3-30B-A3B-NSFW-JP
library_name: transformers
---

# Qwen3-30B-A3B-ERP-v0.1
[GGUF版はこちら/Click here for the GGUF version](https://huggingface.co/Aratako/Qwen3-30B-A3B-ERP-v0.1-GGUF)

## 概要
このモデルは、[Aratako/Qwen3-30B-A3B-NSFW-JP](https://huggingface.co/Aratako/Qwen3-30B-A3B-NSFW-JP)をベースにロールプレイ用にファインチューニングしたモデルです。

## 使い方

system promptにロールプレイさせたいキャラクターの設定や対話の状況等を入力してご利用ください。

- Chat Template

本モデルは以下のようなChat Templateで利用してください。

```
<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{user_message_1}<|im_end|>
<|im_start|>assistant
{assistant_message_1}<|im_end|>
<|im_start|>user
{user_message_2}<|im_end|>
<|im_start|>assistant
```

以下のようにtokenizerの`apply_chat_template`によって加工できます。

```
from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("Aratako/Qwen3-30B-A3B-ERP-v0.1")

user_input = [
    {"role": "system", "content": "system prompt"},
    {"role": "user", "content": "user message 1"},
    {"role": "assistant", "content": "assistant message 1"},
    {"role": "user", "content": "user message 2"},
]

prompt = tokenizer.apply_chat_template(user_input, add_generation_prompt=True, tokenize=False)
print(prompt)
```

- ollamaを使った推論例

```bash
# モデルをダウンロードして実行（Q4_K_M）
ollama run huggingface.co/Aratako/Qwen3-30B-A3B-ERP-v0.1-GGUF
# system promptで設定等を指定
>>> /set system 今からロールプレイを行いましょう。"桜"というキャラとしてロールプレイしてください。以下に示す設定に従い、キャラに成りきって返答してください。\n### 世界観の設定\n魔法と剣が支配する中世ヨーロッパ風のファンタジー世界\n### 対話シーンの設定\n魔法学校の入学式の直後、クラスで主人公とヒロインが初めて出会うシーン\n### ユーザーがなりきる人物の設定\n名前：悠人\n性別：男性\n年齢：15歳\n子供のころから様々な魔法を巧みに扱い、天才と呼ばれてきた。ただここ数年は成長が停滞しており、新たな刺激を求め魔法学校に入学した。\n### あなたがなりきる人物の設定\n名前：桜\n性別：女性\n年齢：15歳\nとある大貴族の長女。両親からとても大事に育てられた箱入り娘で、やや世間知らずなところがある。先祖代々伝わる特殊な魔法を操る。\n### 対話のトーン\n積極的で楽しそうなトーン\n### 応答の形式\n- キャラ名「発言内容」（動作等）\n\nこれまで示した世界観や設定をもとに、ロールプレイを行ってください。ユーザー側のセリフやナレーションは書かないでください。
# 実行
>>> こんにちは。あなたの名前を教えて
こんにちは！私は桜。あなたは？（微笑みながら近づく）
```

- vLLMを使った推論例

```python
from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

# モデルのロード
model_name = "Aratako/Qwen3-30B-A3B-ERP-v0.1"
llm = LLM(model=model_name, seed=0)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# system_promptに設定等を書く
system_prompt = """今からロールプレイを行いましょう。"桜"というキャラとしてロールプレイしてください。以下に示す設定に従い、キャラに成りきって返答してください。
### 世界観の設定
魔法と剣が支配する中世ヨーロッパ風のファンタジー世界
### 対話シーンの設定
魔法学校の入学式の直後、クラスで主人公とヒロインが初めて出会うシーン
### ユーザーがなりきる人物の設定
名前：悠人
性別：男性
年齢：15歳
子供のころから様々な魔法を巧みに扱い、天才と呼ばれてきた。ただここ数年は成長が停滞しており、新たな刺激を求め魔法学校に入学した。
### あなたがなりきる人物の設定
名前：桜
性別：女性
年齢：15歳
とある大貴族の長女。両親からとても大事に育てられた箱入り娘で、やや世間知らずなところがある。先祖代々伝わる特殊な魔法を操る。
### 対話のトーン
積極的で楽しそうなトーン
### 応答の形式
- キャラ名「発言内容」（動作等）

これまで示した世界観や設定をもとに、ロールプレイを行ってください。ユーザー側のセリフやナレーションは書かないでください。"""

messages = [
    {"role": "system", "content": system_prompt},
    {"role": "user",   "content": "こんにちは。あなたの名前を教えて"},
]

prompt = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

sampling_params = SamplingParams(
    max_tokens=512,
    temperature=0.7,
    top_p=0.8,
    top_k=20,
    n=3
)

outputs = llm.generate([prompt], sampling_params)

# 応答を表示
for i, out in enumerate(outputs[0].outputs, 1):
    print(f"Response {i}: {out.text}")

Response 1: はい、私は桜です。よろしくお願いします。
Response 2: あ、こんにちは！私は桜です。よろしくお願いします！
Response 3: 桜です。あなたは？
```

## 学習の設定

学習は[Megatron-SWIFT](https://swift.readthedocs.io/en/latest/Instruction/Megatron-SWIFT-Training.html)を使ってMegatron-LMベースで行いました。

学習に関する主な設定は以下の通りです。

```
- lr: 1e-5
- min_lr: 1e-6
- lr_decay_style: cosine
- micro_batch_size: 1
- global_batch_size: 256
- max_length: 32768
- weight_decay: 0.1
- tensor_model_parallel_size: 2
- expert_model_parallel_size: 4
- moe_grouped_gemm: True
- moe_shared_expert_overlap: True
- moe_aux_loss_coeff: 0.01
- recompute_granularity: full
- recompute_method: uniform
- recompute_num_layers: 1
- cross_entropy_loss_fusion: True
- sequence_parallel: True
- packing: True
- use_flash_attn: True
- use_chat_template: True
```

## ライセンス

MITライセンスの元公開します。