Gemma 2 日本語特化モデルをローカルで動かす〜 キャッシュ活用編〜

はじめに

前回、Gemma 2 2B をローカルで動かすところまでの構築メモを書きましたが、今回はその続きとして 日本語に特化した instruction-tuned モデル google/gemma-2-2b-jpn-it を試してみました。

前回は英語ベースの gemma-2-2b（素のベースモデル）を使ったため、生成結果が同じ文を繰り返すという挙動が見られました。今回はその改善版として、

• 日本語に特化した jpn-it バリアント
• 指示追従（instruction-tuned） 済みなので、チャット的な応答が期待できる
• ローカルキャッシュから読み込む ため、2回目以降は再ダウンロード不要

という 3 点を確認することが目的です。

同じく GPUなし・CPUのみ・RAM 8GB の低スペック環境での動作確認メモです。

検証環境

前回と同じ環境です。

項目	スペック
OS	Windows 11
CPU	GPUは使わずCPUのみで実行
GPU	なし（今回も意図的に不使用）
メモリ	8GB
Python	venv による仮想環境
モデル	google/gemma-2-2b-jpn-it（ローカルキャッシュ済み）

動作確認スクリプト

今回実行したコードは以下のとおりです。

test_jpn_it.py

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_name = "google/gemma-2-2b-jpn-it"

print("トークナイザーを読み込み中...")
tokenizer = AutoTokenizer.from_pretrained(model_name, local_files_only=True)

print("モデルを読み込み中...")

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    dtype=torch.bfloat16,
    device_map="cpu",
    local_files_only=True,
)

print("読み込み完了!簡単な生成テストをします。")
inputs = tokenizer("品川駅から東京まで最短で何分で行ける？", return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=128)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

前回のコードとの主な違いは以下の 3 点です。

変更点	前回（gemma-2-2b）	今回（gemma-2-2b-jpn-it）
モデル名	google/gemma-2-2b	google/gemma-2-2b-jpn-it
ダウンロード挙動	初回に自動ダウンロード	初回ダウンロード済み前提。local_files_only=True でキャッシュのみ参照
dtype 引数名	torch_dtype=	dtype=（新仕様）
プロンプト	天気の話題（日本語補完テスト）	路線情報の質問（指示応答テスト）

ポイント解説

local_files_only=True とは

モデルを一度ダウンロードすると、ファイルはローカルキャッシュ（C:\Users\(ユーザー名)\.cache\huggingface\hub）に保存されます。local_files_only=True を指定することで、2回目以降は Hugging Face へのネットワークアクセスを一切行わず、キャッシュから直接読み込むようになります。

⚠️ このフラグはキャッシュが存在することが前提です。初回は local_files_only=True を外した状態でダウンロードを完了させてから使う必要があります。gemma-2-2b-jpn-it も初回は同様にダウンロードが発生します。

tokenizer = AutoTokenizer.from_pretrained(model_name, local_files_only=True)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    local_files_only=True,
    ...
)

オフライン環境での実行や、ネットワーク遅延の排除に便利です。モデルをキャッシュしていない状態でこのフラグを立てると OSError が出るので注意してください。

dtype= vs torch_dtype=

前回の記事でも触れましたが、transformers の仕様変更により torch_dtype 引数は非推奨になりつつあり、dtype が推奨表記になっています。今回のコードは最初から dtype=torch.bfloat16 で書いています。動作への影響はありませんが、新規コードでは dtype= を使っておくと良いでしょう。

# 旧（非推奨・警告が出る場合あり）
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.bfloat16)

# 新（推奨）
model = AutoModelForCausalLM.from_pretrained(model_name, dtype=torch.bfloat16)

gemma-2-2b-jpn-it とは

jpn-it は Japanese Instruction-Tuned の略で、Google が日本語に特化して instruction-tuning を施したモデルです。

• ベースモデル（gemma-2-2b）：次のトークンを予測するだけの素の言語モデル。指示に従うよりも文章を「続ける」動作をする
• 指示チューニング済み（gemma-2-2b-jpn-it）：「質問→回答」「指示→実行」のような対話形式の応答ができるよう追加学習されている

前回起きた「生成結果が同じ文の繰り返し」は、ベースモデルの仕様上の挙動でした。-it モデルを使うことで、より自然な応答が期待できます。

実行結果

(venv) $ python test_jpn_it.py
トークナイザーを読み込み中...
モデルを読み込み中...
読み込み完了!簡単な生成テストをします。
品川駅から東京まで最短で何分で行ける？
品川駅から東京駅までは、JR山手線または京浜東北線で約6分です。

前回のベースモデルで見られた「同じ文の繰り返し」が解消され、質問に対して端的な回答が返ってきました。instruction-tuned モデルの効果が確認できた形です。

なお、CPU のみの実行なので読み込み完了までに 1〜2 分程度かかります（モデルウェイトの展開時間）。生成自体も数十秒〜数分かかることがあります。

メモ

• local_files_only=True により、実行時のネットワーク通信はゼロ。モデルを一度キャッシュしてしまえば完全オフラインで動く。
• gemma-2-2b-jpn-it は gemma-2-2b とほぼ同じサイズのため、メモリ使用量は前回同様 約 4〜5 GB（bfloat16 指定時）に収まる。RAM 8GB でも動作可能。
• max_new_tokens=128 は生成する最大トークン数の上限。長い回答が必要な場合はここを増やせばよいが、CPU では生成速度が落ちるのでトレードオフを意識する。
• 今回のプロンプトはシンプルなテキスト形式だが、gemma-2-2b-jpn-it はチャットテンプレート（apply_chat_template）を使ったフォーマットで入力するとより安定した応答が得られる。

注意点メモ

事象	原因	対処
OSError: We couldn't connect to 'huggingface.co'	local_files_only=True なのにキャッシュにモデルが存在しない	一度 local_files_only を外してダウンロードしてからフラグを有効化する
torch_dtype is deprecated 警告	transformers の仕様変更	dtype=torch.bfloat16 に書き換える
読み込み・生成が遅い	CPU のみでの実行のため	GPU 環境なら device_map="cuda" に変更すると大幅に高速化できる
回答が日本語にならない場合	プロンプトの形式が指示チューニングの期待フォーマットと合っていない	tokenizer.apply_chat_template() を使って入力を整形する

次回 TODO

動作確認ができたので、次のステップは以下を予定しています。

• apply_chat_template を使ったチャット形式の入力に切り替えて、より安定した応答を確認する
• LoRA を使ったファインチューニングで、特定タスク向けに調整する
• 将来的なマルチエージェント構成への組み込みを検討する