	ソースモデル	本モデル
総パラメータ	~32B	~62.3B
アクティブパラメータ	~3.8B	~5.7B
エキスパート数	128	256
アクティブエキスパート/トークン	8 (top-8)	16 (top-16)
アーキテクチャ	Qwen3MoE	Qwen3MoE
Hidden size	2560	2560
Expert intermediate size	960	960
レイヤー数	32	32
Attention heads	40 (GQA 4 KV heads)	40 (GQA 4 KV heads)
語彙数	196,608	196,608
最大コンテキスト長	65,536	65,536
精度	bfloat16	bfloat16

Merge Strategy

Cross-Model Expert Interleaving + SLERP

3つの異なる手法を組み合わせた統合戦略を採用しています。

1. エキスパート層: 直接結合

Experts 0-127: llm-jp/llm-jp-4-32b-a3b-base からそのまま移植
Experts 128-255: llm-jp/llm-jp-4-32b-a3b-thinking からそのまま移植
汎用知識 (base) と推論特化 (thinking) の補完的なエキスパートセットを結合

2. ルーター: 重み行列の連結 (Concatenation)

各レイヤーのルーター重み [128, 2560] × 2 を [256, 2560] に連結
元のルーティング能力をそのまま保持

3. 共有層: SLERP (Spherical Linear Interpolation)

Attention層、Embedding、LayerNorm 等の非エキスパート重みは SLERP (t=0.5) で統合
行単位SLERPを適用し、数値安定性を確保
単純平均より重みのノルムと方向を保存

なぜこの戦略か

エキスパート複製+ノイズ ではなく 異なる訓練を受けた実エキスパートの統合 により、真に多様な256エキスパートを実現
base (汎用) と thinking (推論) は同じアーキテクチャ・トークナイザを共有しつつ異なる特化をしており、補完的な組み合わせとなる
ルーターの連結により、各モデルが学習したルーティングパターンがそのまま活用される

Architecture Details

Qwen3MoeForCausalLM
├── embed_tokens: [196608, 2560]          # SLERP merged
├── layers × 32
│   ├── self_attn (GQA)                   # SLERP merged
│   │   ├── q_proj: [5120, 2560]
│   │   ├── k_proj: [512, 2560]
│   │   ├── v_proj: [512, 2560]
│   │   └── o_proj: [2560, 5120]
│   ├── mlp (MoE)
│   │   ├── gate (router): [256, 2560]    # Concatenated
│   │   └── experts × 256                 # 0-127: base, 128-255: thinking
│   │       ├── gate_proj: [960, 2560]
│   │       ├── up_proj: [960, 2560]
│   │       └── down_proj: [2560, 960]
│   ├── input_layernorm                   # SLERP merged
│   └── post_attention_layernorm          # SLERP merged
├── norm                                  # SLERP merged
└── lm_head: [196608, 2560]              # SLERP merged

Usage

vLLM

bash

vllm serve aixsatoshi/llm-jp-4-64b-a6b-merged \
  --trust-remote-code \
  --tensor-parallel-size 4

Transformers

python

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "aixsatoshi/llm-jp-4-64b-a6b-merged"

tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype="bfloat16",
    device_map="auto",
    trust_remote_code=True,
)

messages = [{"role": "user", "content": "日本の首都はどこですか？"}]
inputs = tokenizer.apply_chat_template(messages, return_tensors="pt", add_generation_prompt=True)
inputs = inputs.to(model.device)

outputs = model.generate(inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0][inputs.shape[-1]:], skip_special_tokens=True))

Source Models

llm-jp/llm-jp-4-32b-a3b-base: 11.7Tトークンの公開コーパスで事前学習されたベースモデル
llm-jp/llm-jp-4-32b-a3b-thinking: SFT + DPO で推論能力を強化したthinkingモデル

Hardware Requirements

GPU推論 (vLLM, TP=4): ~160GB VRAM (例: 4x A100 80GB, 2x H100 80GB)
CPU推論: ~160GB RAM

Limitations

マージモデルのため、追加学習なしでのルーター最適化は行われていません
thinking モデルのチャンネルシステム (analysis/final) はchat templateで簡略化されています
性能は元モデルの組み合わせに依存し、すべてのタスクで改善を保証するものではありません

License

ソースモデルのライセンスに従います。