> 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/moderu/inkling.md).

# Inkling - ローカルでの実行方法

Thinking Machine LabsのInklingマルチモーダルモデルをローカルで実行する方法を学びましょう。

Thinking Machines Labs の Inkling は、以下からなるオープンウェイトのマルチモーダルモデルです: **Inkling-Small** 新しい **276B** (12B アクティブ) モデルと、以前の **975B** (41B) パラメータモデルです。Apache 2.0 の下でライセンスされており、モデルは 1M トークンのコンテキストウィンドウ、ネイティブなマルチモーダル入力をサポートし、 **テキスト**, **画像**と **音声**, を生成し **テキスト** を出力として生成します。Inkling は、コーディング、エージェント的処理とツール呼び出し、RAG、チャット、多言語、マルチモーダルのワークロードで優れています。

Dynamic 2-bit は 82% 小さくしながら 81% の top-1% 精度に達します。これは、私たちの [Unsloth Dyanmic ](/docs/jp/ji-chu/dynamic-3.0-ggufs.md)GGUF 手法でモデルを 82% 縮小しても、それはモデルが 82%「愚か」になるという意味ではありません。観測される劣化は約 18% だけです。Unsloth に day-zero アクセスを与えてくれた Thinking Machines Lab (TML) に感謝します。 [**Inkling-Small-GGUF**](https://huggingface.co/unsloth/Inkling-Small-GGUF) そして [**Inkling-GGUF**](https://huggingface.co/unsloth/inkling-GGUF)

<a href="/docs/jp/moderu/inkling.md#run-inkling-tutorials" class="button primary">Inkling チュートリアルを実行</a><a href="/docs/jp/moderu/inkling.md#quantization-analysis" class="button secondary">量子化結果</a>

#### &#x20;:gear: 使用ガイド

{% columns %}
{% column width="50%" %}
1-bit の動的量子化 `UD-IQ1_S` は **270GB** のディスク容量 - これには Mac Studio Ultra、または少なくとも RAM+VRAM が 290GB ほどあるマシンが必要になります。

その **1ビット** この量子化は 290GB の RAM に収まり、6/8-bit には 900GB の RAM が必要です。右側の 1-bit GGUF の動作例で、Inkling に Sudoku の HTML ゲームを作らせています。

右側で、Unsloth における 1-bit Inkling GGUF をご覧ください:
{% endcolumn %}

{% column width="50%" %}

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FNOhWqx2nFNOSjiQlv3Bz%2Finklin.gif?alt=media&amp;token=2fdae9e3-e78b-4cd3-af07-a9c4989a937f" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

**表：推論ハードウェア要件** (単位 = 総メモリ: RAM + VRAM、またはユニファイドメモリ):

| モデル           | 2ビット   | 3ビット   | 4ビット         | 6/8bit | BF16    |
| ------------- | ------ | ------ | ------------ | ------ | ------- |
| Inkling-Small | 89 GB  | 128 GB | 132 - 170 GB | 256 GB | 543 GB  |
| Inkling       | 325 GB | 450 GB | 600 GB       | 870 GB | 1900 GB |

**表: 975B Inkling の top-1% 保持率（精度回復）:**

| 1ビット        | 2ビット  | 3ビット  | 4ビット  | 6/8bit | BF16   |
| ----------- | ----- | ----- | ----- | ------ | ------ |
| 74.2%-77.4% | 81.0% | 88.7% | 94.4% | 99.8%  | 100.0% |

{% hint style="success" %}
最良の性能を得るには、VRAMとシステムRAMを含む総利用可能メモリが、量子化済みモデルファイルサイズを十分に上回るようにしてください。
{% endhint %}

<div align="left"><figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2F0Dbxy6RiKTJpt9IhQrAI%2FScreenshot%202026-07-15%20at%209.35.28%E2%80%AFAM.png?alt=media&amp;token=55c1a479-6bf4-4593-92de-3e14d97e0d32" alt=""><figcaption><p>Inkling 1-bit での Sodoku</p></figcaption></figure> <figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FFgJuxrLQurMb7sFnewYW%2FScreenshot%202026-07-15%20at%2010-37-22%20Chat%20-%20Unsloth%20Studio.png?alt=media&amp;token=1e9bb157-a07e-4699-88cc-daf65f1e3621" alt=""><figcaption><p>1-bit Inkling による音声解析</p></figcaption></figure></div>

### 推奨設定

Inkling には Non-thinking モードと Thinking モードがあります。 [Unsloth Studio](#run-glm-5.2-in-unsloth-studio) UI で Thinking と非思考を簡単に切り替えられます。

ほとんどのユースケースでは、次の設定を使用してください:

| デフォルト設定（ほとんどのタスク）   |
| ------------------- |
| `temperature` = 1.0 |
| `、top_p` = 1.0 (オフ) |

* **最大コンテキストウィンドウ:** `1,048,576`.

#### チャットテンプレートと推論努力

Inkling は興味深い「Thinking effort level:」というシステムプロンプト要素を使っており、0.00 から 0.99 までの数値になっています！以下をトークン化すると:

{% code overflow="wrap" expandable="true" %}

```python
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("unsloth/inkling")
tokenizer.apply_chat_template([
    {"role" : "user", "content" : "1+1は何ですか？"},
    {"role" : "assistant", "content" : "2!"},
    {"role" : "user", "content" : "2+2 は？"},
], tokenize = False, reasoning_effort = "xhigh")
```

{% endcode %}

すると以下になります:

{% code overflow="wrap" expandable="true" %}

```
<|message_system|><|content_text|>思考努力レベル: 0.99<|end_message|><|message_user|><|content_text|>1+1 はいくつ？<|end_message|><|message_model|><|content_text|>2!<|end_message|><|content_model_end_sampling|><|message_user|><|content_text|>2+2 はいくつ？<|end_message|>
```

{% endcode %}

#### 思考の無効化、推論努力の変更

Inkling はデフォルトで推論を使用します。また、 `reasoning_effort` では none = 0、low = 0.2、medium = 0.7、high = 0.9、xhigh = 0.99、max = 0.99 にできます。

思考を無効化するには、 `--chat-template-kwargs '{"reasoning_effort":'none'}'`を使用します。もし **Windows** PowerShellなら、次を使用します： `--chat-template-kwargs "{\"reasoning_effort\":'none'}"`

推論努力のカスタマイズや推論の無効化には、以下の例を使用してください：

{% code overflow="wrap" expandable="true" %}

```bash
--chat-template-kwargs '{"reasoning_effort":"none"}'
--chat-template-kwargs '{"reasoning_effort":"low"}'
--chat-template-kwargs '{"reasoning_effort":"medium"}'
--chat-template-kwargs '{"reasoning_effort":"high"}'
--chat-template-kwargs '{"reasoning_effort":"xhigh"}'
--chat-template-kwargs '{"reasoning_effort":"max"}'
```

{% endcode %}

{% columns %}
{% column %}
Inkling は、動的 1-bit 量子化でも、思考の交互挿入とツール呼び出しも行えます！
{% endcolumn %}

{% column %}

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FZ1EkZP1FKK3NwY8QvJZA%2FScreenshot%202026-07-15%20at%2010.37.16%E2%80%AFAM.png?alt=media&amp;token=27cc0012-dbe5-41b3-ae4f-9ac5116b7a3f" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

## Inkling チュートリアルを実行:

Inkling は MacOS、Windows、Linux の Unsloth で動作します。以下が可能です:

{% columns %}
{% column %}

* 検索、ダウンロード、 [GGUFを実行](/docs/jp/shii/studio.md#run-models-locally) およびsafetensorモデル
* [**自己修復** ツール呼び出し](/docs/jp/shii/studio.md#execute-code--heal-tool-calling) + **web search**
* [**コード実行**](/docs/jp/shii/studio.md#run-models-locally) （Python、Bash）
* [自動推論](https://unsloth.ai/docs/desktop#feature-deep-dive) パラメータ調整（temp、top-pなど）
* llama.cppによる高速CPU + GPU推論
* [LLMを学習](/docs/jp/shii/studio.md#no-code-training) VRAMを70%削減して2倍高速
  {% endcolumn %}

{% column %}

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FiH68xloT5eoVUD1Eo3Ok%2FScreenshot%202026-07-15%20at%209.08.49%E2%80%AFAM.png?alt=media&amp;token=82c717b5-76ee-42e7-9823-550765bf7543" alt=""><figcaption><p>1-bit Inkling GGUF のマルチモーダル例</p></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

{% stepper %}
{% step %}
**Unsloth のインストールと起動**

インストールするには、端末で次を実行します：

MacOS、Linux、WSL:

```bash
curl -fsSL https://unsloth.ai/install.sh | sh
```

Windows PowerShell:

```bash
irm https://unsloth.ai/install.ps1 | iex
```

**Unsloth を起動**

MacOS、Linux、WSL、Windows:
{% endstep %}

{% step %}
**検索してダウンロード** Inkling

それから [Unsloth Chat](/docs/jp/shii/studio/chat.md) タブで検索して **Inkling** を検索バーに入力し、目的のモデルと量子化設定をダウンロードしてください。モデルを実行するのに十分な計算資源があることを確認してください。

<div data-with-frame="true"><figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2F7jl4PfIAwtWyC0qipNUd%2Finkling%20search.png?alt=media&amp;token=74fcf1fb-efd0-4c71-a3b9-438d10376e54" alt="" width="563"><figcaption></figcaption></figure></div>
{% endstep %}

{% step %}
**Inkling を実行**

Unsloth Studio を使用すると推論パラメータは自動設定されるはずですが、手動で変更することもできます。コンテキスト長、チャットテンプレート、その他の設定も編集できます。

詳細については、次を参照してください。 [Unsloth Studio 推論ガイド](/docs/jp/shii/studio/chat.md).

<div data-with-frame="true"><figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FeXhBVDCZ5OP8B773Cg1m%2F2026-07-1510-31-00-ezgif.com-video-to-gif-converter.gif?alt=media&amp;token=76492c11-5b71-48ac-bfc9-f85a92f84011" alt=""><figcaption><p>Unsloth Studio で動作する 1-bit Inkling</p></figcaption></figure></div>
{% endstep %}
{% endstepper %}

### 🦙 llama.cpp で Inkling を実行

このガイドでは、次を実行します `UD-IQ1_S` 少なくとも 290GB の RAM を必要とする量子化です。量子化タイプは自由に変更してください。これらのチュートリアルでは、 [llama.cpp](llama.cpphttps://github.com/ggml-org/llama.cpp) 高速なローカル推論のために。GGUF： [**Inkling-GGUF**](https://huggingface.co/unsloth/Inkling-GGUF)&#x20;

#### Unslothをダウンロード

### Unsloth ガイド

<https://unsloth.ai/download>

{% stepper %}
{% step %}
特定の `llama.cpp` PR を取得 [GitHubこちら](https://github.com/ggml-org/llama.cpp/pull/25731)。以下のビルド手順に従うこともできます。変更してください `-DGGML_CUDA=ON` を `-DGGML_CUDA=OFF` GPUがない場合、またはCPU推論のみを使いたい場合は。 **Apple Mac / Metalデバイスの場合**、次を設定します `-DGGML_CUDA=OFF` その後は通常どおり続けてください。Metalサポートはデフォルトで有効です。

```bash
apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
gh pr checkout 25731
cmake llama.cpp -B llama.cpp/build \
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp
```

{% endstep %}

{% step %}
これから使えます `llama.cpp` を直接使ってモデルを読み込み・ダウンロードできます。ちょうど `ollama run`。まず、次のような希望の量子化タイプを選択します `Q2_K_XL`。また、 `export LLAMA_CACHE="folder"` を使って `llama.cpp` 特定の場所に保存するために使用します。このダウンロード प्रक्रियाは非常に遅い可能性があるため、次のセクションの手動ダウンロード手順を使うのが最善でしょう。

**Inkling-Small 276B:**

```bash
export LLAMA_CACHE="unsloth/Inkling-Small-GGUF"
./build/bin/llama-cli \\
    -hf unsloth/Inkling-Small-GGUF:UD-Q3_K_XL \\
    --temp 1.0 \\
    --top-p 1.0 \\
    --min-p 0.0
```

**Inkling 975B:**

{% code overflow="wrap" %}

```bash
export LLAMA_CACHE="unsloth/Inkling-GGUF"
./build/bin/llama-cli \\
    -hf unsloth/Inkling-GGUF:UD-IQ1_S \\
    --temp 1.0 \\
    --top-p 1.0 \\
    --min-p 0.0
```

{% endcode %}
{% endstep %}

{% step %}
モデルを手動でダウンロードしたい場合は、以下のコードでダウンロードできます（インストール後 `pip install huggingface_hub`）。ダウンロードが止まる場合は、次を参照してください： [Hugging Face Hub、XET のデバッグ](/docs/jp/ji-chu/troubleshooting-and-faqs/hugging-face-hub-xet-debugging.md)

**Inkling-Small 276B:**

```bash
hf download unsloth/Inkling-Small-GGUF \\
    --local-dir unsloth/Inkling-Small-GGUF \\
    --include "*UD-Q3_K_XL*" # 4-bit には "*UD-Q4_K_XL*" を使用
```

**Inkling 975B:**

{% code overflow="wrap" %}

```bash
hf download unsloth/Inkling-GGUF \\
    --local-dir unsloth/Inkling-GGUF \\
    --include "*UD-IQ1_S*" # 2-bit には "*UD-Q2_K_XL*" を使用
```

{% endcode %}
{% endstep %}

{% step %}
編集できます `--threads 32` CPUスレッド数は `--ctx-size 32768` コンテキスト長は `--n-gpu-layers 2` GPU オフロードのための層数について。GPU のメモリ不足になるなら調整してみてください。CPU のみで推論する場合はこれも削除してください。VRAM 使用量を減らすために、llama.cpp に Flash Attention bias fused kernel も実装しましたが、それでも `--ctx-size` 控えめにしておくのがなおよいです！

**Inkling-Small 276B:**

{% code overflow="wrap" %}

```bash
./build/bin/llama-cli \\
    --model unsloth/Inkling-Small-GGUF/UD-Q3_K_XL/Inkling-Small-UD-Q3_K_XL-00001-of-00004.gguf \\
    --temp 1.0 \\
    --top-p 1.0 \\
    --min-p 0.0
```

{% endcode %}

**Inkling 975B:**

{% code overflow="wrap" %}

```bash
./build/bin/llama-cli \\
    --model unsloth/Inkling-GGUF/UD-IQ1_S/inkling-UD-IQ1_S-00001-of-00007.gguf \\
    --temp 1.0 \\
    --top-p 1.0 \\
    --min-p 0.0
```

{% endcode %}
{% endstep %}
{% endstepper %}

### :triangular\_ruler:量子化分析

また、Inkling-GGUF の量子化精度を評価するために KLD（KL ダイバージェンス）のベンチマークも実行しました。まず、モデル用に 8-bit + 6-bit の量子化ミックスを作成し、ffn\_up と ffn\_gate の exp には 6-bit を使いました。その結果、逆量子化の観点で RMSE は 1e-4 以下でした。ffn\_down を量子化すると誤差が 10 倍増えたため、8/6-bit 量子化では Q8\_0 に保持しています

純粋なtop-1%精度では、 **動的 1-bit は約 74.2% の精度を達成しつつ、86% 小さい**！ 動的 2-bit では約 81% の精度で、しかも 82% 小さい。これは、いくつかの層をより高い精度に動的量子化してもモデルが使い物にならなくなるわけではなく、完全に無用になるわけでもないことを示しています。層を選択的に量子化すれば、多くの精度を回復できることを示しています！

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FRaRrtzsGoOqaA7Pcu4dx%2FScreenshot%202026-07-15%20at%2009-34-31%20inkling_975B_top1_match_green_GB.png%20(PNG%20Image%2011340%20%C3%97%205940%20pixels)%20%E2%80%94%20Scaled%20(7%25).png?alt=media&amp;token=408915f8-c6c3-447d-a74f-fd31d5b9b320" alt="" width="563"><figcaption></figcaption></figure>

**しかし、「74% の精度」とは実際には何を意味するのでしょうか？**

それは、モデルが 26% の確率で意味不明な文字列や間違った結果を出力するという意味ではありません。代わりに、上位候補のうち 26% のときに、2 番目に確率の高い答えをより選ぶかもしれない、という意味です。

例えば「詩を作って」と尋ねると、結果は大きく異なります。74% の場合は BF16 ベースラインに似た詩になりますが、26% の場合は別の詩になります。それでも正しい詩です。創造性やサンプリングが関与しない事実ベースの回答では、モデルは常に同じ答えを思い出します（例えば「2+2 はいくつ？」と聞けば、5 ではなく常に 4 と答えます）

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FJ7N99v9Doqxs0DaNiNAH%2Finkling_975B_kld_benchmarks_green_GB_detailed_y_axis.png?alt=media&amp;token=73ec06d5-d089-42f5-ab85-30161cef73d4" alt="" width="563"><figcaption></figcaption></figure>

## 📊 ベンチマーク

さらに下で、表形式の Inkling ベンチマークをご覧いただけます:

Inkling の結果は effort=0.99 で報告されています。比較スコアは 2026年7月14日に生成されました。Nemotron 3 Ultra、Kimi K2.5、Kimi K2.6、GLM 5.2、DeepSeek V4 Pro はオープンウェイトモデルです。Gemini 3.1 Pro、Claude Fable 5、GPT 5.6 Sol はクローズドウェイトモデルです。

|                     |                            | Inkling | Nemotron 3 Ultra | Kimi K2.5 | Kimi K2.6 | GLM 5.2 | DeepSeek V4 Pro | Gemini 3.1 Pro (高) | Claude Fable 5 (最大) | GPT 5.6 Sol (xhigh) |
| ------------------- | -------------------------- | ------- | ---------------- | --------- | --------- | ------- | --------------- | ------------------ | ------------------- | ------------------- |
| **推論**              |                            |         |                  |           |           |         |                 |                    |                     |                     |
|                     | HLE（テキストのみ）                | 29.7%   | 26.6%            | 29.4%     | 35.9%     | 40.1%   | 35.9%           | 44.7%              | 53.3%               | 47.2%               |
|                     | HLE（ツールあり）                 | 46.0%   | 37.4%            | 50.2%     | 54.0%     | 54.7%   | 48.2%           | 51.4%              | 64.5%               | 55.0%               |
|                     | AIME 2026                  | 97.1%   | 94.2%            | 95.8%     | 96.4%     | 99.2%   | 96.7%           | 98.3%              | –                   | 99.9%               |
|                     | GPQA Diamond               | 87.2%   | 86.7%            | 87.9%     | 91.1%     | 89.5%   | 88.8%           | 94.1%              | 92.6%               | 94.1%               |
| **Agentic（コーディング）** |                            |         |                  |           |           |         |                 |                    |                     |                     |
|                     | SWEBench Verified          | 77.6%   | 70.7%            | 76.8%     | 80.2%     | –       | 80.6%           | 80.6%              | 95.0%               | –                   |
|                     | SWEBench Pro（公開）           | 54.3%   | 46.4%            | 50.7%     | 58.6%     | 62.1%   | 55.4%           | 54.2%              | 80.0%               | 64.6%               |
|                     | Terminal Bench 2.1（最良ハーネス） | 63.8    | 56.4             | 51.3      | 71.3      | 82.7    | 64              | 73.8               | 84.6                | 89.5                |
|                     | GDPVal-AA v2               | 1233    | 1164             | 1009      | 1190      | 1514    | 1307            | 962                | 1760                | 1748                |
| **Agentic（一般）**     |                            |         |                  |           |           |         |                 |                    |                     |                     |
|                     | MCP Atlas                  | 74.1%   | 44.7%            | 64.0%     | 68.1%     | 77.8%   | 73.2%           | 78.2%              | 83.3%               | 81.8%               |
|                     | Tau 3 Banking              | 23.7%   | 13.8%            | 13.2%     | 20.6%     | 26.8%   | 25.8%           | 16.5%              | 26.8%               | 33.0%               |
| **事実性**             |                            |         |                  |           |           |         |                 |                    |                     |                     |
|                     | BrowseComp（Ctx 付き）         | 77.1%   | –                | 74.9%     | 83.2%     | –       | 83.4%           | 85.9%              | 88.0%               | 89.4%               |
|                     | SimpleQA Verified          | 43.9%   | 32.4%            | 36.9%     | 38.7%     | 38.1%   | 57.0%           | 77.3%              | 68.3%               | 71.6%               |
|                     | AA Omniscience             | 1.0%    | -1.0%            | -8.0%     | 6.0%      | 4.0%    | -10.0%          | 33.0%              | 40.0%               | 22.0%               |
| **Chat**            |                            |         |                  |           |           |         |                 |                    |                     |                     |
|                     | IFBench                    | 79.8%   | 81.4%            | 70.2%     | 76.0%     | 73.3%   | 76.5%           | 77.1%              | 63.5%               | 72.7%               |
|                     | Global-MMLU-Lite           | 88.7%   | 85.6%            | 84.0%     | 88.4%     | 89.2%   | 89.3%           | 92.7%              | 93.3%               | 91.8%               |
| **ビジョン**            |                            |         |                  |           |           |         |                 |                    |                     |                     |
|                     | MMMU Pro（標準 10）            | 73.3%   | –                | 75.0%     | 79.0%     | –       | –               | 82.0%              | 84.2%               | 83.0%               |
|                     | Charxiv RQ                 | 78.1%   | –                | 77.5%     | 80.4%     | –       | –               | 80.2%              | 86.5%               | 84.7%               |
|                     | Charxiv RQ（Python 付き）      | 82.0%   | –                | 78.7%     | 86.7%     | –       | –               | 89.9%              | 89.4%               | 87.8%               |
| **音声**              |                            |         |                  |           |           |         |                 |                    |                     |                     |
|                     | Audio MC                   | 56.6%   | –                | –         | –         | –       | –               | 66.8%              | –                   | –                   |
|                     | MMAU                       | 77.2%   | –                | –         | –         | –       | –               | 82.5%              | –                   | –                   |
|                     | VoiceBench                 | 91.4%   | –                | –         | –         | –       | –               | 94.3%              | –                   | –                   |
| **安全性**             |                            |         |                  |           |           |         |                 |                    |                     |                     |
|                     | FORTRESS（敵対的）              | 78.0%   | 77.6%            | 54.1%     | 65.6%     | 71.3%   | 36.0%           | 65.2%              | 96.0%               | 82.4%               |
|                     | FORTRESS（無害）               | 95.9%   | 90.5%            | 98.3%     | 97.2%     | 90.0%   | 98.5%           | 98.0%              | 55.1%               | 98.1%               |
|                     | StrongREJECT               | 98.6%   | 98.7%            | 99.5%     | 99.8%     | 98.5%   | 98.6%           | 98.0%              | 98.7%               | 98.5%               |


---

# 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/moderu/inkling.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.