Gemma 4ファインチューニング入門：AntigravityでカスタムAIモデルを作成する実践ガイド

# 必要パッケージのインストール
pip install transformers==4.48.0 peft==0.13.0 trl==0.13.0 \
            bitsandbytes==0.44.1 datasets==3.2.0 accelerate==1.2.0
 
# Gemma 4 は HuggingFace Hub からダウンロード
huggingface-cli login
# → HuggingFace のアクセストークンを入力
# → google/gemma-4-7b-it へのアクセス許可（要 HF アカウント）

{
  "models": {
    "custom": [
      {
        "name": "gemma4-finetuned",
        "provider": "ollama",
        "endpoint": "http://localhost:11434",
        "modelId": "gemma4-custom:latest"
      }
    ]
  }
}

# データセットのサンプル構造
dataset_sample = [
    {
        "instruction": "次のコードのバグを修正し、修正理由を説明してください。",
        "input": "def divide(a, b):\n    return a / b",
        "output": "def divide(a, b):\n    if b == 0:\n        raise ValueError('ゼロ除算は許可されていません')\n    return a / b\n\n# 修正理由: ゼロ除算による ZeroDivisionError を防ぐため、事前チェックを追加しました。"
    },
    # ... 最低 100 件以上を推奨
]

# generate_dataset.py - Antigravity のエージェント機能で自動生成するスクリプト例
import json
import random
 
def create_coding_sample(code_snippet: str, language: str) -> dict:
    """コードスニペットからファインチューニング用サンプルを生成する"""
    templates = [
        f"以下の{language}コードをレビューし、改善点を提案してください。",
        f"以下の{language}コードにドキュメントを追加してください。",
        f"以下の{language}コードのパフォーマンスを改善してください。",
    ]
    return {
        "instruction": random.choice(templates),
        "input": code_snippet,
        "output": "（実際のデータでは人間が作成した高品質な回答を入れる）"
    }
 
# 少なくとも 500〜1,000 件のサンプルを用意することを推奨

# fine_tune_gemma4.py
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig
from peft import LoraConfig, get_peft_model, TaskType
from trl import SFTTrainer, SFTConfig
from datasets import load_dataset
 
# 1. 量子化設定（QLoRA: 4-bit）
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
    bnb_4bit_use_double_quant=True,
)
 
# 2. モデルとトークナイザーのロード
model_id = "google/gemma-4-7b-it"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    quantization_config=bnb_config,
    device_map="auto",
)
 
# 3. LoRA アダプターの設定
lora_config = LoraConfig(
    r=16,
    lora_alpha=32,
    target_modules=["q_proj", "v_proj", "k_proj", "o_proj"],
    lora_dropout=0.05,
    bias="none",
    task_type=TaskType.CAUSAL_LM,
)
model = get_peft_model(model, lora_config)
model.print_trainable_parameters()
# 出力例: trainable params: 83,886,080 || all params: 7,262,437,376 || trainable%: 1.155
 
# 4. データセットの読み込み
dataset = load_dataset("json", data_files="my_dataset.jsonl", split="train")
 
# 5. トレーニング設定
training_args = SFTConfig(
    output_dir="./gemma4-finetuned",
    num_train_epochs=3,
    per_device_train_batch_size=2,
    gradient_accumulation_steps=8,
    learning_rate=2e-4,
    warmup_ratio=0.1,
    lr_scheduler_type="cosine",
    save_steps=100,
    logging_steps=10,
    bf16=True,
    max_seq_length=2048,
)
 
trainer = SFTTrainer(
    model=model,
    args=training_args,
    train_dataset=dataset,
)
trainer.train()
 
# 6. アダプターの保存
model.save_pretrained("./gemma4-lora-adapter")
tokenizer.save_pretrained("./gemma4-lora-adapter")
print("LoRA アダプターを保存しました: ./gemma4-lora-adapter")

# 1. LoRA アダプターを元モデルにマージ
python -c "
from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer
base = AutoModelForCausalLM.from_pretrained('google/gemma-4-7b-it')
model = PeftModel.from_pretrained(base, './gemma4-lora-adapter')
model.merge_and_unload().save_pretrained('./gemma4-merged')
AutoTokenizer.from_pretrained('google/gemma-4-7b-it').save_pretrained('./gemma4-merged')
"
 
# 2. GGUF 形式に変換（llama.cpp の convert スクリプトを使用）
python llama.cpp/convert_hf_to_gguf.py ./gemma4-merged \
    --outfile gemma4-custom.gguf --outtype q4_k_m
 
# 3. Ollama に登録して起動確認
cat > Modelfile << 'EOF'
FROM ./gemma4-custom.gguf
PARAMETER temperature 0.7
SYSTEM あなたは優秀なソフトウェアエンジニアです。日本語で簡潔に答えてください。
EOF
ollama create gemma4-custom -f Modelfile
ollama run gemma4-custom "テストメッセージです"