Gemma 4 E4B FormosaNLU LoRA

這是 google/gemma-4-E4B-it 的 text-tower QLoRA adapter，針對正體中文 （台灣，zh-TW）口語 NLU 進行 supervised fine-tuning。輸出 contract 是：

{"intent": "intent_label", "slots": [{"type": "slot_type", "value": "原句片段"}]}

本 repo 只包含 LoRA adapter 與 tokenizer artifacts，不包含完整 Gemma 4 base weights。完整程式碼、frozen config、資料與實驗報告： kuotunyu/FormosaNLU-Synth。

Model details

發布的是 primary filtered seed-42 adapter；seeds 43/44 僅用於 uncertainty 評估，不另行發布。

Evaluation

Untouched MASSIVE zh-TW Test，2,974 rows：

Paired seeds 42–44 中，filtered 相對 real-only 的 intent accuracy 平均提升 +4.14 ± 1.39 個百分點，exact match 平均提升 +3.86 ± 0.73 個百分點。 5,000 次 hierarchical paired bootstrap 的 95% CI 分別為 [+2.60, +5.59] 與 [+2.75, +4.92] 個百分點；每個 seed 的 exact McNemar tests 經 Holm correction 後均 p ≤ 0.00017。上表所有數字都是這個 Gemma 4 adapter 本身的成效。

訓練這個 adapter 所用的 corpus，其效益已在第二個 student family （microsoft/Phi-4-mini-instruct）以相同的 paired contract 複製成功： intent accuracy 與 exact match 在兩個 family 都是正向平均提升，且 hierarchical 95% CI 下界都大於零，判準在看到結果前即凍結。那是資料 的證據，不是這個 adapter 的成效；此處列出是為了說明 corpus 的效益不限於 單一 student model。細節見 FormosaNLU-Synth 的 cross-model 報告。

v1.2.2 evidence release 與 M19 equal-N ablation

GitHub v1.2.2 evidence release 新增可下載的 steven0226/phi-4-mini-formosanlu-lora， 並以 archival Technical note 保存 technical report，另更新 publication metadata 與 cards。此 Gemma adapter tensors did not change. 它仍是相同的 155,609,536-byte artifact，SHA-256 仍為 f70f423814dcd47943c92c0beb8b08a4e7f65e60a44355d3dcd95bed9f0bd60a。

M19 以 Gemma seed 42 做 equal-N composition comparison；control 與四個 leave-one-recipe-out 組都使用 1,176 real + 2,246 synthetic rows：

預先登記的 detectability threshold 是 2.5 percentage points；沒有任何組別 達到。這是 single seed (n=1); descriptive comparison only。This does not support a recipe-level causal claim. 這是 Dataset composition 的限制性證據， 不是這個公開 Gemma adapter 的額外 headline evaluation。

Seed-42 的 8,922-row deterministic robustness probe：

跨 seeds 42–44 的 paired delta（filtered − real-only，百分點）：intent accuracy +3.63 ± 1.72、exact match +3.58 ± 2.05、slot F1 +2.75 ± 2.76、 intent macro-F1 +2.11 ± 2.19、JSON-valid +1.49 ± 2.35。五項平均皆為正，但只有 前兩項的 mean 明顯大於 SD。只看 seed 42 會誤導——該 seed 的 intent macro-F1（−0.40）與 JSON-valid（−0.38）其實是負的。

載入方式

Gemma 4 E4B 是 multimodal checkpoint；本專案只載入 text tower，使用與訓練 相同的 key mapping：

import torch
from peft import PeftModel
from transformers import AutoTokenizer, BitsAndBytesConfig
from transformers import Gemma4Config, Gemma4ForCausalLM

base_id = "google/gemma-4-E4B-it"
adapter_id = "steven0226/gemma-4-e4b-formosanlu-lora"

tokenizer = AutoTokenizer.from_pretrained(adapter_id)
tokenizer.padding_side = "left"

quantization = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_use_double_quant=True,
    bnb_4bit_compute_dtype=torch.bfloat16,
)
multimodal_config = Gemma4Config.from_pretrained(base_id)
base = Gemma4ForCausalLM.from_pretrained(
    base_id,
    config=multimodal_config.text_config,
    key_mapping={r"^model\.language_model\.": "model."},
    quantization_config=quantization,
    dtype=torch.bfloat16,
    device_map={"": 0},
)
model = PeftModel.from_pretrained(base, adapter_id, is_trainable=False)
model.eval()

輸入 prompt／chat template 與完整 inference 範例請參考 GitHub 的 src/evaluation/run_adapter.py 與 src/nlu_prompt.py。

Intended use

• 正體中文（台灣）intent classification 與 slot filling 研究
• Synthetic-data augmentation 的下游比較
• PEFT／QLoRA、structured output 與 NLU Demo

Limitations

• 只針對 MASSIVE taxonomy：60 intents、55 slot types。
• Test 來源具有翻譯語料特性，不等同所有自然台灣口語。
• 可能輸出無效 JSON、錯誤 intent 或不在原句中的 slot value。
• 沒有 constrained decoding；JSON-valid rate 是實測指標。
• Robustness 已涵蓋 seeds 42–44，但這個 Gemma adapter 所屬的 family 五項 指標中只有 intent accuracy 與 exact match 的效果明顯大於 seed 間的變異；其 餘三項在 n=3 下無法與零區分。擾動是 deterministic probes，不是自然 ASR logs。
• 不適用醫療、法律、金融或安全關鍵決策。

Training data

• Real seed：MASSIVE zh-TW 20-shot sampling，共 1,176 rows
• Synthetic：steven0226/formosa-nlu-synth-v1
• Validation／Test：只使用 untouched real MASSIVE，未回流生成或訓練

Environmental information

所有本機 model workloads 使用單張 RTX 4090。專案可追溯 local GPU total 為 42.412 小時；以 450 W TDP 計算的 GPU-only 保守上限為 19.085 kWh， 不是 wall-socket measurement。API 花費為 $0。

License

Gemma 4 與此 adapter 使用 Apache License 2.0。

Citation

@software{kuotunyu_formosanlu_synth_2026,
  author  = {kuotunyu},
  title   = {FormosaNLU Synthetic Data Distillation for Traditional Chinese (Taiwan) NLU},
  year    = {2026},
  version = {1.2.2},
  doi     = {10.5281/zenodo.21879133},
  url     = {https://doi.org/10.5281/zenodo.21879133}
}