> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/jp/meru/fine-tuning-llms-guide/what-model-should-i-use.md).

# ファインチューニングにはどのモデルを使うべき？

## Llama、Qwen、Mistral、Phi、それとも？

ファインチューニングの準備をする際、最初に直面する決断のひとつは、適切なモデルを選ぶことです。以下に、選択を助けるためのステップバイステップガイドを示します。

{% stepper %}
{% step %}
**ユースケースに合ったモデルを選ぶ**

* 例: 画像ベースの学習には、次のようなビジョンモデルを選択します *Llama 3.2 Vision*。コードデータセットには、次のような特化モデルを選びます *Qwen Coder 2.5*.
* **ライセンスと要件**: モデルごとに特定のライセンス条件や [システム要件](/docs/jp/meru/fine-tuning-for-beginners/unsloth-requirements.md#system-requirements)がある場合があります。互換性の問題を避けるため、必ずこれらを注意深く確認してください。
  {% endstep %}

{% step %}
**ストレージ、計算能力、データセットを確認してください**

* 次の [VRAMガイドライン](/docs/jp/meru/fine-tuning-for-beginners/unsloth-requirements.md#approximate-vram-requirements-based-on-model-parameters) を使って、検討しているモデルに必要なVRAMを確認してください。
* データセットは、使用するモデルの種類と学習にかかる時間を反映します
  {% endstep %}

{% step %}
**モデルとパラメータを選択する**

* 最高の性能と機能を得るには、最新のモデルを使うことをおすすめします。たとえば、2025年1月時点での主要な70Bモデルは *Llama 3.3*.
* 最新情報を保つには、次の [モデルカタログ](/docs/jp/meru/unsloth-model-catalog.md) を確認して、最新かつ関連性の高い विकल्पを見つけてください。
  {% endstep %}

{% step %}
**BaseモデルとInstructモデルのどちらかを選ぶ**

詳細は以下をご覧ください:
{% endstep %}
{% endstepper %}

## Instructモデル、それともBaseモデル？

ファインチューニングの準備をする際、最初に直面する決断のひとつは、Instructモデルを使うかBaseモデルを使うかです。

### Instructモデル

Instructモデルは、組み込みの指示で事前学習されているため、ファインチューニングなしでそのまま使えます。GGUFやその他一般的に利用可能なこれらのモデルは、直接使用向けに最適化されており、最初からプロンプトに効果的に応答します。Instructモデルは、ChatMLやShareGPTのような会話用チャットテンプレートに対応しています。

### **Baseモデル**

一方、Baseモデルは、指示ファインチューニングを行っていない元の事前学習版です。これらは特にファインチューニングによるカスタマイズ向けに設計されており、独自のニーズに合わせて適応できます。Baseモデルは、次のような指示形式のテンプレートに対応しています [Alpaca または Vicuna](/docs/jp/ji-chu/chat-templates.md)が、通常は会話用チャットテンプレートをそのままではサポートしていません。

### InstructとBaseのどちらを選ぶべき？

この判断は、データの量、品質、種類によって決まることが多いです:

* **1,000行以上のデータ**: 1,000行を超える大規模データセットがある場合は、通常、Baseモデルをファインチューニングするのが最適です。
* **300〜1,000行の高品質データ**: 中規模で高品質なデータセットであれば、BaseモデルとInstructモデルのどちらをファインチューニングしても有効な選択肢です。
* **300行未満**: 小規模なデータセットでは、通常、Instructモデルの方がより適しています。Instructモデルをファインチューニングすると、組み込みの指示機能を維持しつつ、特定のニーズに合わせられます。これにより、機能を大きく変更するつもりがない限り、追加の入力なしで一般的な指示に従えるようになります。
* データセットの大きさについては、 [こちらを参照](/docs/jp/meru/fine-tuning-llms-guide/datasets-guide.md#how-big-should-my-dataset-be)

## Unslothでのモデルのファインチューニング

Hugging Face上のモデル名に合わせることで、好きなモデル名に変更できます。例: 'unsloth/llama-3.1-8b-unsloth-bnb-4bit'。

まずは次から始めることをおすすめします **Instructモデル**。会話用チャットテンプレート（ChatML、ShareGPTなど）を使った直接のファインチューニングが可能で、 **Baseモデル** （Alpaca、Vicunaなどを使用）よりも必要なデータが少なくて済みます。次の違いについて詳しく学ぶ [InstructモデルとBaseモデルはこちら](#instruct-or-base-model).

* モデル名の末尾に **`unsloth-bnb-4bit`** が付いている場合、それらは [**Unslothの動的4ビット**](https://unsloth.ai/blog/dynamic-4bit) **量子化モデル**です。これらのモデルは標準のBitsAndBytes 4ビットモデルよりわずかに多くのVRAMを消費しますが、精度は大幅に高くなります。
* モデル名の末尾が単に **`bnb-4bit`**で、"unsloth" が含まれていない場合は、標準のBitsAndBytes 4ビット量子化を指します。
* 次のサフィックスがない **モデルは** 元の **16ビットまたは8ビット形式です**。これらは公式モデル作成者による元のモデルですが、チャットテンプレートやトークナイザーの修正など、重要な修正を含めていることがあります。そのため、利用可能であれば当社版を使うことをおすすめします。

### 試してみることが重要

{% hint style="info" %}
可能であれば、両方のモデルを試すことをおすすめします。それぞれをファインチューニングし、出力を評価して、どちらが目標により合っているかを確認してください。
{% endhint %}


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://unsloth.ai/docs/jp/meru/fine-tuning-llms-guide/what-model-should-i-use.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.