Nibiru-coderのトレーニング

フレームワークのデフォルトチャットモデルは nibiru-coder:1.0 — これは、あなたのOllamaサーバーに登録するNibiru風Qwen 2.5 Coder 14Bです。トレーニングパイプラインは application/module/ai/training/ にあります。

nibiru-coderとは何なのか（そして何ではないのか）

nibiru-coder:1.0 は LoRA ファインチューンではありません。これは同じ qwen2.5-coder:14b の重みが、システムプロンプトで包まれたものです。

• MMVC、モジュール、ディスパッチャー、シングルトンについて説明します。
• Nibiruの規約（pageAction、navigationAction、View::assign、Form::create、Pageination のスペリング）を強制します。
• モデルを一般的な Laravel / Symfony のアドバイスではなく、Nibiru 風の答えに向けます。

システムプロンプトのカスタマイズは즉座に完了します — GPUトレーニングやデータセット準備が不要です。これは実際のLoRAの約80%の価値をゼロコストで提供します。実際のファインチューンの予算がある場合は、以下の実際のLoRAパスをご覧ください。

ビルドする

./application/module/ai/training/build.sh           # builds nibiru-coder:1.0
./application/module/ai/training/build.sh 1.1       # bump tag for iterations

スクリプト：

1. 同じディレクトリにある Modelfile を読みます。
2. ${OLLAMA_BASE_URL}/api/create（デフォルトは https://your-ollama-host.example）に POST します。
3. 新しいタグが応答することを確認するために、スモークテストのチャットコールを実行します。

成功した後、application/module/ai/settings/ai.ini にモデルを設定します。

[AI]
chat.model          = "nibiru-coder:1.0"
chat.fallback_model = "qwen2.5-coder:14b"

…そしてアプリケーション内のすべての\Nibiru\Module\Ai\Aiインスタンスがそれに接続しています。フォールバックは、タグをまだ構築していない場合に何も壊れないようにします。

システムプロンプトを改善する

The Modelfile’s SYSTEM """ ... """ block is the lever. Tighten the conventions, add new examples, add citations to specific framework files. Re-run build.sh with a new tag (1.1, 1.2, …) and A/B against the previous tag in your app.

./application/module/ai/training/build.sh 1.1
# Edit ai.ini → chat.model = "nibiru-coder:1.1"
# Compare answers in the Oracle widget or via smoke-test.php

実際の LoRA パス

Nibiruを知るモデルが必要な場合、システムプロンプトだけでなくその重みも考慮するには、コーパスエクスポーターが対応しています。

cd docs
npm run build:corpus

dist/corpus/ ディレクトリ下に JSONL ファイルを出力します。

ファイル	形式	使用
chat.jsonl	sharegpt スタイルのメッセージ	Axolotl, LLaMA-Factory, Unsloth
instructions.jsonl	指令/入力/出力	Alpaca スタイルのトレーナー
completion.jsonl	プロンプト/完了	伝統的なテキストコンプリーション微調整
chunks.jsonl	チャンクメタデータ	RAG / 評価セット構築

シングルのA100または4090を使用した8Bベースの実用的なレシピ:

axolotl.yml

base_model: meta-llama/Llama-3.1-8B-Instruct
adapter: lora
lora_r: 16
lora_alpha: 32
lora_dropout: 0.05
lora_target_modules: [q_proj, k_proj, v_proj, o_proj]

datasets:
  - path: docs/dist/corpus/chat.jsonl
    type: sharegpt

sequence_len: 4096
sample_packing: true
gradient_accumulation_steps: 4
micro_batch_size: 2
num_epochs: 3
optimizer: adamw_bnb_8bit
learning_rate: 0.0002
warmup_ratio: 0.05
bf16: true

トレーニング後：

1. LoRA を GGUF（llama.cpp の convert_hf_to_gguf.py）に変換します。
2. FROM ./your-lora.gguf で Ollama Modelfile を構築します。
3. ./build.sh 2.0 はそれを nibiru-coder:2.0 として登録します。

フレームワークのコードは変更されません — ai.ini の chat.model を切り替えるだけで新しい重みを使用できます。

スモークテスト

php application/module/ai/training/smoke-test.php

検証します：

• Ollamaサーバーにアクセスできます。
• モデルが1ターンの質問に応答します。
• 複数ターンの会話コンテキストが機能しています。
• エンベディングが機能しています（nomic-embed-text がプルされていない場合は明確なメッセージでスキップされます）。

変更後、デプロイする前に実行します。

一般的な落とし穴

• Modelfile システムプロンプトが長すぎます。 一部の Ollama バージョンではシステムプロンプトに上限があります。約3000トークン未満で保つようにしてください。
• FROM モデルを取得していない場合。 qwen2.5-coder:14b はすでにサーバー上にある必要があります。curl ${OLLAMA_BASE_URL}/api/tags を実行して確認してください。
• タグの衝突。 build.sh 1.0 を再度実行すると既存の nibiru-coder:1.0 が上書きされます。反復のために新しいタグを使用し、ai.ini で特定のタグを固定してください。
• --no-stream の混乱。 ビルドスクリプトは stream: false を使用しているため、レスポンスは1つの JSON として返ります。ストリーミングに変更する場合は、行ごとに解析してください。