Together AI、Qwen3.5 4BをベースにJev風分類モデルを約17ドルで訓練・構築する手法を公開

Together AI、Qwen3.5 4BをベースにJev風分類モデルを約17ドルで訓練・構築する手法を公開

基本情報

項目 内容
公開元 Together AI
公開日 2026-09-23
出典の種類 公開元の一次情報(公式ブログ記事で一次情報が確認可能)

収集・肉付けの時点で当サイトのコードが確定させた値です。日付はJST。

概要

Together AIは、2026年9月23日、Qwen3.5 4Bをベースモデルとして使用し、独自のJev風分類モデルを構築・トレーニングする方法を公開しました。このプロセスでは、約38,000個のデータサンプルを用いることで、トレーニングコストを約17ドルに抑え、約25分間で完了させることが可能です。

発表の内容

Together AIは、高速かつ低コストな分類モデル「Jev」に似た性能を持つモデルを、Togetherのサーバーレスプラットフォーム上で構築する手順を提示しています。具体的には、以下の内容が含まれます。

  • ベースモデルとデータセット: Qwen3.5 4Bをベースモデルとして使用し、Hugging Faceにホストされている複数のデータセット（MultiNLI、BoolQ、Banking77、AG News、SST-5、Programmatic policies、Routing、Research taxonomy）から合計37,840個（資料内では38,340個と記載）のサンプルを抽出・正規化して使用します。
  • トレーニングプロセス: Together AIのFine-tuningサービスを利用します。提供されているPythonスクリプトを使用することで、データのアップロードからトレーニングジョブの実行までを自動化できます。トレーニングには約25分を要します。
  • デプロイ: トレーニング完了後、作成されたモデルを専用のHTTPエンドポイントとしてデプロイできます。デプロイには、NVIDIA H100 80GB SXMなどのハードウェアを指定して実行可能です。
  • モデルの動作: このモデルは、状態（state）、質問（question）、選択肢（options）をJSON形式で受け取り、スコア、ブール値、または選択肢のラベルを返すように設計されています。例えば、カスタマーサポートのメッセージから意図を分類する、ニュース記事をカテゴリ分けする、テキストの感情分析を行うといったタスクに対応します。

背景

Together AIは、JevがAI分野で急速に話題となっているモデルであることを指摘しています。Jevは、高速かつ運用コストが極めて低い強力な分類モデルとして知られています。今回の発表は、そのようなJevのような分類機能を、ユーザー自身が低コストかつ効率的に構築・デプロイできる手法を示すことを目的としています。

ローカルLLMの利用者への影響

本記事で紹介された手法は、特定のタスクに特化した軽量な分類モデルを、非常に低いコストで自前運用したい技術者にとって有用な情報となります。読者が受ける影響として、以下の点が挙げられます。

  • 低コストなカスタマイズ: 約17ドルという低予算と、約25分という短時間で、特定の用途（カスタマーサポートの意図解釈、ニュース分類、感情分析など）に最適化された独自の分類モデルを構築できます。
  • 提供形態: トレーニングしたモデルは、Together AIの専用エンドポイントを通じてHTTPサーバー経由で利用する形となります。APIエンドポイントとしてデプロイされるため、既存のソフトウェアへの統合が容易です。
  • モデルの挙動と制御: モデルはJSON形式の入出力を扱うように設計されており、プログラムからの扱いやすさが考慮されています。ただし、APIを直接呼び出す場合やChat Playgroundを使用する際には、temperature=0、max_tokens=8、およびchat_template_kwargs={"enable_thinking": false}を明示的に設定する必要があるという技術的な注意点も示されています。
  • 既存モデルの利用: 自身でトレーニングを行わなくても、Togetherのサーバーレスプラットフォーム上で公開されているtogether/Tev1-4B-experimentalを直接利用することも可能です。

関連記事

出典

企業・資金調達Jev,Qwen3.5,Together AI,ファインチューニング,確認済み