" %}
{% endcolumn %}
{% endcolumns %}
の中で、 [**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)私たちは **ファンクション呼び出しの前に「考える/推論する」ようにファインチューニングします**。チェイン・オブ・ソート（思考連鎖）による推論はツール利用能力を向上させるために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さなモデルです。独自のチャットテンプレートを利用します。ツール定義とユーザープロンプトが提供されると、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、結果を取得して最終回答の生成に使用できます。
| ターンタイプ | 内容 |
| ------------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ |
| **Developerプロンプト** | \developer
次の関数で関数呼び出しが可能です：
|
| **関数宣言** | \declaration:get\_weather{
description: "都市の天気を取得する",
parameters: { city: STRING }
}
\
\
|
| **ユーザーターン** | \user
パリの天気はどうですか？
\
|
| **関数呼び出し** | \model
\call:get\_weather{
city: "paris"
}
\
|
| **関数レスポンス** | \response:get\_weather{temperature:26}
\
|
| **アシスタントの締めくくり** | パリの天気は摂氏26度です。
\
|
ここでは、インタリーブされた推論ではなく単一の思考ブロックを使用する単純化されたバージョンを実装します（したがって）、 ``その結果、私たちのモデルとのやり取りは次のようになります：
| **Thinking** + **関数呼び出し** | \model
\
ユーザーはパリの天気を求めています。私はget\_weatherツールを持っています。city引数で呼び出すべきです。
\
\call:get\_weather{
city: "paris"
}
\
|
| ------------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
## :accordion:モバイルアクション向けのFunctionGemmaのファインチューニング
また、FunctionGemmaにモバイルアクションを実行させる方法を示すノートブックも作成しました。 [**モバイルアクション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)その中で、評価も有効にし、デバイス上でのアクション向けにファインチューニングすることがうまく機能することを示しており、評価損失が下がる様子が見られます：
例えばプロンプトが与えられた場合 `「Team Sync Meeting」というリマインダーを2025年6月6日（金）午後2時に設定してください。`
{% code overflow="wrap" %}
```python
[{'role': 'developer',
'content': '現在の日付と時刻はYYYY-MM-DDTHH:MM:SS形式で与えられます: 2025-06-04T15:29:23\n曜日は水曜日です\n次の関数で関数呼び出しが可能なモデルです\n',
'tool_calls': None},
{'role': 'user',
'content': '「Team Sync Meeting」というリマインダーを2025年6月6日（金）午後2時に設定してください。',
'tool_calls': None}]
```
{% endcode %}
モデルを次のような出力を出せるようにファインチューニングしました：
{% code overflow="wrap" %}
```
user
「Team Sync Meeting」というリマインダーを2025年6月6日（金）午後2時に設定してください。
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
また、FunctionGemmaがマルチターンのツール呼び出しを行える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**](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/FunctionGemma_\(270M\)-Multi-Turn-Tool-Calling.ipynb)その中で、FunctionGemmaが長いメッセージ変更の中でツールを呼び出せることを示しています。例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指定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
返り値：
today_date: 日付（例：2025年12月18日の形式）
"""
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、例："San Francisco, CA, USA"や"Sydney, Australia"
unit: 温度を返す単位。（選択肢: ["celsius", "fahrenheit"])
返り値：
temperature: 指定された場所の現在の気温
weather: 指定され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"}
out = MAP_FN[fx](**json.loads(args))
return {"temperature": 30, "weather": "rainy"}
def add_numbers(x: float | str, y: float | str):
"""
2つの数を加算します
引数：
x: 最初の数
y: 2番目の数
返り値：
result: x + y
"""
return {"result" : float(x) + float(y)}
def multiply_numbers(x: float | str, y: float | str):
"""
2つの数を乗算します
引数：
x: 最初の数
y: 2番目の数
返り値：
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())
```
ツール呼び出しと解析のコードも必要です：
{% code expandable="true" %}
```python
#@title FunctionGemma解析コード（拡張可能）
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 })
else:
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)
else:
```
{% endcode %}
そして今、モデルを呼び出すことができます！
```python
from unsloth import FastLanguageModel
import torch
max_seq_length = 4096 # 任意のシーケンス長を選べます！
model, tokenizer = FastLanguageModel.from_pretrained(
model_name = "unsloth/functiongemma-270m-it",
max_seq_length = max_seq_length, # 長いコンテキストのために任意の値を選んでください！
load_in_4bit = False, # メモリ削減のための4ビット量子化
load_in_8bit = False, # [新機能！] 若干精度が高く、2倍のメモリを使用
load_in_16bit = True, # [新機能！] 16ビットLoRAを有効にする
full_finetuning = False, # [新機能！] フルファインチューニングが利用可能です！
# token = "hf_...", # ゲート付きモデルを使用する場合はこれを使う
)
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FunctionGemmaのために作成した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 %}
[モバイルアクション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](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.