" %}
{% endcolumn %}
{% endcolumns %}
では [**ツール呼び出し前に推論するファインチューニングノートブック**](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/FunctionGemma_\(270M\).ipynb)、 **関数呼び出しの前に「考える/推論する」ようにファインチューニングします**。連鎖的思考推論は、ツール利用能力を向上させるうえでますます重要になっています。
FunctionGemmaは、関数呼び出しに特化した小型モデルです。独自のチャットテンプレートを使用します。ツール定義とユーザープロンプトを与えると、構造化された出力を生成します。次にこの出力を解析してツールを実行し、その結果を取得して最終回答の生成に利用できます。
| ターン種別 | 内容 |
| ------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ |
| **開発者プロンプト** | \developer
次の関数を使って関数呼び出しができます：
|
| **関数宣言** | \declaration:get\_weather{
description: "都市の天気を取得する",
parameters: { city: STRING }
}
\
\
|
| **ユーザートーン** | \user
パリの天気はどうですか？
\
|
| **関数呼び出し** | \model
\call:get\_weather{
city: "paris"
}
\
|
| **関数応答** | \response:get\_weather{temperature:26}
\
|
| **アシスタントの締め** | パリの天気は摂氏26度です。
\
|
ここでは、交互に推論するのではなく、単一の思考ブロックを使った簡略版を ``で実装します。その結果、モデルとのやり取りは次のようになります：
| **思考** + **関数呼び出し** | \model
\
ユーザーはパリの天気を求めている。get\_weatherツールがあるので、city引数を付けて呼び出すべきだ。
\
\call:get\_weather{
city: "paris"
}
\
|
| ------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
## :accordion:モバイル操作向けFunctionGemmaのファインチューニング
FunctionGemmaにモバイル操作を行わせる方法を示すノートブックも作成しました。 [**モバイル操作ファインチューニングノートブック**](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/FunctionGemma_\(270M\)-Mobile-Actions.ipynb)では評価も有効にしており、オンデバイス操作向けにファインチューニングすると、評価損失が下がることからもうまく機能する様子を示しています：
たとえば、次のプロンプトが与えられた場合 `2025年6月6日（金）午後2時に「Team Sync Meeting」のリマインダーを設定してください。`
{% code overflow="wrap" %}
```python
[{'role': 'developer',
'content': 'YYYY-MM-DDTHH:MM:SS形式で与えられた現在日時: 2025-06-04T15:29:23\n曜日は水曜日\n次の関数を使って関数呼び出しができるモデルです\n',
'tool_calls': None},
{'role': 'user',
'content': '2025年6月6日（金）午後2時に「Team Sync Meeting」のリマインダーを設定してください。',
'tool_calls': None}]
```
{% endcode %}
モデルが次を出力できるようにファインチューニングしました：
{% code overflow="wrap" %}
```
user
2025年6月6日（金）午後2時に「Team Sync Meeting」のリマインダーを設定してください。
model
call:create_calendar_event{body:None,datetime:2025-06-06 14:00:00,email:None,first_name:None,last_name:None,phone_number:None,query:None,subject:None,title:Team Sync Meeting,to:None}
```
{% endcode %}
## :man\_running:FunctionGemmaによるマルチターン・ツール呼び出し
FunctionGemmaでマルチターンのツール呼び出しを行う方法を示すノートブックも作成しました。 [**マルチターン・ツール呼び出しノートブックで**](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/FunctionGemma_\(270M\)-Multi-Turn-Tool-Calling.ipynb)では、FunctionGemmaが長いメッセージの変更の中でツールを呼び出せることを示します。たとえば、以下を参照してください：
まず、以下のようにツールを定義する必要があります：
{% code expandable="true" %}
```python
def get_today_date():
"""
今日の日付を取得します
戻り値：
today_date: 2025年12月18日形式の日付
"""
from datetime import datetime
today_date = datetime.today().strftime("%d %B %Y")
return {"today_date": today_date}
def get_current_weather(location: str, unit: str = "celsius"):
"""
指定した場所の現在の天気を取得します。
引数：
location: 都市と州、たとえば "San Francisco, CA, USA" または "Sydney, Australia"
unit: 温度を返す単位。（選択肢: ["celsius", "fahrenheit"]）
戻り値：
temperature: 指定した場所の現在の気温
weather: 指定した場所の現在の天気
"""
if "San Francisco" in location.title():
return {"temperature": 15, "weather": "sunny"}
elif "Sydney" in location.title():
return {"temperature": 25, "weather": "cloudy"}
else:
return {"temperature": 30, "weather": "rainy"}
def add_numbers(x: float | str, y: float | str):
"""
2つの数を足し合わせます
引数：
x: 1つ目の数
y: 2つ目の数
戻り値：
result: x + y
"""
return {"result" : float(x) + float(y)}
def multiply_numbers(x: float | str, y: float | str):
"""
2つの数を掛け合わせます
引数：
x: 1つ目の数
y: 2つ目の数
戻り値：
result: x * y
"""
return {"result" : float(x) * float(y)}
```
{% endcode %}
次に、すべてのツールのマッピングを作成します：
```python
FUNCTION_MAPPING = {
"get_today_date" : get_today_date,
"get_current_weather" : get_current_weather,
"add_numbers": add_numbers,
"multiply_numbers": multiply_numbers,
}
TOOLS = list(FUNCTION_MAPPING.values())
```
さらに、ツール呼び出しとパースのコードも必要です：
{% code expandable="true" %}
```python
#@title FunctionGemma parsing code (expandible)
import re
def extract_tool_calls(text):
def cast(v):
try: return int(v)
except:
try: return float(v)
except: return {'true': True, 'false': False}.get(v.lower(), v.strip("'\""))
return [{
"name": name,
"arguments": {
k: cast((v1 or v2).strip())
for k, v1, v2 in re.findall(r"(\w+):(?:(.*?)|([^,}]*))", args)
}
} for name, args in re.findall(r"call:(\w+)\{(.*?)\}", text, re.DOTALL)]
def process_tool_calls(output, messages):
calls = extract_tool_calls(output)
if not calls: return messages
messages.append({
"role": "assistant",
"tool_calls": [{"type": "function", "function": call} for call in calls]
})
results = [
{"name": c['name'], "response": FUNCTION_MAPPING[c['name']](**c['arguments'])}
for c in calls
]
messages.append({ "role": "tool", "content": results })
return messages
def _do_inference(model, messages, max_new_tokens = 128):
inputs = tokenizer.apply_chat_template(
messages, tools = TOOLS, add_generation_prompt = True, return_dict = True, return_tensors = "pt",
)
output = tokenizer.decode(inputs["input_ids"][0], skip_special_tokens = False)
out = model.generate(**inputs.to(model.device), max_new_tokens = max_new_tokens,
top_p = 0.95, top_k = 64, temperature = 1.0,)
generated_tokens = out[0][len(inputs["input_ids"][0]):]
return tokenizer.decode(generated_tokens, skip_special_tokens = True)
def do_inference(model, messages, print_assistant = True, max_new_tokens = 128):
output = _do_inference(model, messages, max_new_tokens = max_new_tokens)
messages = process_tool_calls(output, messages)
if messages[-1]["role"] == "tool":
output = _do_inference(model, messages, max_new_tokens = max_new_tokens)
messages.append({"role": "assistant", "content": output})
if print_assistant: print(output)
return messages
```
{% endcode %}
さあ、モデルを呼び出せます！
```python
from unsloth import FastLanguageModel
import torch
max_seq_length = 4096 # 任意のシーケンス長を選択できます！
model, tokenizer = FastLanguageModel.from_pretrained(
model_name = "unsloth/functiongemma-270m-it",
max_seq_length = max_seq_length, # 長いコンテキストには任意に選択可能！
load_in_4bit = False, # メモリ削減のための4bit量子化
load_in_8bit = False, # [NEW!] 少し高精度、メモリは2倍使用
load_in_16bit = True, # [NEW!] 16bit LoRAを有効化
full_finetuning = False, # [NEW!] 現在はフルファインチューニングも可能です！
# token = "hf_...", # ゲート付きモデルを使う場合はこれを使用
)
messages = []
messages.append({"role": "user", "content": "今日の日付は何ですか？"})
messages = do_inference(model, messages, max_new_tokens = 128)
```
私たちが作成したFunctionGemma用の3つのノートブックを試してみてください：
{% columns %}
{% column %}
[ツール呼び出し前に推論するファインチューニングノートブック](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/FunctionGemma_\(270M\).ipynb)
{% embed url="" %}
{% endcolumn %}
{% column %}
[モバイル操作ファインチューニングノートブック](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/FunctionGemma_\(270M\)-Mobile-Actions.ipynb)
{% embed url="" %}
{% endcolumn %}
{% column %}
[マルチターン・ツール呼び出しノートブックで](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/FunctionGemma_\(270M\)-Multi-Turn-Tool-Calling.ipynb)
{% embed url="" %}
{% endcolumn %}
{% endcolumns %}
---
# Agent Instructions: Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://unsloth.ai/docs/jp/moderu/tutorials/functiongemma.md?ask=
```
The question should be specific, self-contained, and written in natural language.
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.