日本語の会議記録から出席者・決定事項・宿題（担当/期限）・次回予定を構造化JSONで抽出する4Bモデルです。初代 jp-gijiroku-qwen3-4b の後継で、実際の60分Zoom会議の録音→話者分離→文字起こし→抽出パイプラインで見つけた弱点を標的に継続学習しました。判断過程を書いてから最終行にJSONを出力します。GGUF版は jp-gijiroku-qwen3-4b-v2-GGUF です。

v2で直したこと（すべて実会議で確認）

日付の捏造をしない — 本文に日付がなければ date: "なし"（初代は不定と明記していた点の解消）
完了報告を決定事項に混ぜない — 「デプロイは終わってます」は決定でも宿題でもない
期限の誤借用をしない — 別の話の「今週中」を無関係なタスクに付けない
話者ラベル付き転写に適応 — 話者A: ... 形式の生転写を直接入力できる
報告文の中のコミットを宿題として拾う — 「デプロイできたら結果を共有しておきます」→ todo（担当=発言者）

実測

指標	初代	v2
整った入力の合成val（50件・全項目正解）	38/50	39/50
弱点標的val（60件・話者ラベル/日付なし/完了報告）	—	54/60
コミット対比val（60件・報告内コミットの判別）	—	44/60
ASR劣化転写20件・全項目正解（GGUF Q8_0）	16/20	15/20

数値の同等さ以上に、実会議で起きる系統的ミス（上の5項目）の解消がv2の価値です。60分実会議の全文抽出で捏造ゼロ・報告内コミット宿題の抽出を確認しています（初代は全滅）。検証セットは学習と分離しています。

何をしたか

実会議のE2E検証で見つけた弱点ごとに合成会議を設計（話者ラベル形式・日付なし・完了/未完報告の対比・期限ディストラクタ・コミットあり/なしの対比学習ペア）し、DeepSeek-V4-Flash に正解を渡した上で本文根拠の判断過程を書かせる（GTヒント蒸留・全フィールド機械照合で検証）方式で軌跡を作り、初代のアダプタからQLoRA継続学習しました。

使い方

python

from mlx_lm import load, generate

repo = "tokimoa/jp-gijiroku-qwen3-4b-v2"
model, tokenizer = load(repo, adapter_path=repo)  # アダプタ同梱

q = """次の議事録から出席者・決定事項・宿題（担当と期限）・次回予定を抽出してJSONで出力してください。

（ここに文字起こしテキストや議事メモ）"""
prompt = tokenizer.apply_chat_template(
    [{"role": "user", "content": q}], add_generation_prompt=True, tokenize=False)
out = generate(model, tokenizer, prompt, max_tokens=1000)
# 判断過程のあと最終行にJSONが出る → 最終行をパースする
print(out.strip().split("\n")[-1])

プロンプトは上記の定型文をそのまま使ってください（学習分布の形式です）。出力スキーマ: {"date", "attendees", "decisions", "todos": [{"task","owner","due"}], "next_meeting"}

長時間会議（30分超）は10分前後のチャンクに分けて抽出→統合を推奨します。学習分布（〜2千トークン）に近い入力長のほうが網羅性が大きく上がります（60分実会議で一括=決定1・宿題1に対しチャンク統合=決定7・宿題6）。

データと帰属

学習データ: 合成会議（正解既知・ASR劣化/話者ラベル/コミット対比込み）に対する DeepSeek-V4-Flash の検証済み解答軌跡（DeepSeek Open Platform利用規約は蒸留を明示的に許可）
ベース: Qwen/Qwen3-4B-Instruct-2507（Apache-2.0）の4bit MLX量子化（mlx-community）

Developed by tokimoa — データを外に出さないAI活用を支援しています