以 google/gemma-4-E4B-it 為基底，在 Simon-Liu/kubectl-mcp-server-tool-call-reasoning-1k 上做全參數監督式微調（full-parameter SFT），訓練成會先推理、再正確呼叫 kubectl-mcp-server MCP 工具（function calling）的繁體中文模型。

微調前後成效（held-out 測試集，n=75）

未微調基底 vs 微調後，在相同 held-out 樣本上的工具呼叫正確率：

指標	FT 前	FT 後	提升
有工具呼叫率	86.7%	100.0%	+13.3%
函式名正確率	69.3%	89.3%	+20.0%
名稱+參數全對率	52.0%	70.7%	+18.7%

有工具呼叫率＝是否吐出 <tool_call>；函式名正確率＝function name 正確；名稱+參數全對率＝name 與 arguments 皆正確（exact match，最嚴格）。

訓練設定

方法：全參數 SFT（非 LoRA）
基底：google/gemma-4-E4B-it
資料：Simon-Liu/kubectl-mcp-server-tool-call-reasoning-1k（~1k 筆 kubectl-mcp-server MCP function-calling，繁中推理）
epochs 3、effective batch 8、learning rate 1e-5、optimizer adafactor、max length 4096、bf16

使用方式

python

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model = AutoModelForCausalLM.from_pretrained("Simon-Liu/gemma-4-e4b-kubectl-mcp-server-mcp-sft-it", torch_dtype=torch.bfloat16, device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("Simon-Liu/gemma-4-e4b-kubectl-mcp-server-mcp-sft-it")

messages = [
    {"role": "system", "content": "<工具定義，Hermes 風格 JSON>"},
    {"role": "user", "content": "我現在 kubectl-mcp-server 登入的帳號是誰？"},
]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=512, do_sample=False)
print(tokenizer.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))

授權

衍生自 Google Gemma，使用前請遵守 Gemma 使用條款。