TEMM1E v3.1.0：ユーザーインタラクションを用いて自己ファインチューニングを行うAIエージェント

TEMM1E Eigen-Tuneの機能

TEMM1EのEigen-Tuneエンジンは、通常は破棄されるラベル付き学習データとして、すべてのLLM呼び出しを記録します。ユーザーの行動シグナル（継続、再試行、拒否）から応答品質をスコアリングし、LoRAファインチューニングを通じて知識をローカルモデルに蒸留し、統計的なゲートを通じてモデルを昇格させます。これらすべてが追加のLLMコスト0ドルで実現されます。

技術的実装

このシステムは7段階の閉ループパイプラインを使用します：収集、スコアリング、キュレーション、トレーニング、評価、シャドウ、監視。各段階には数学的なゲートがあります：

• 昇格用のSPRT（Wald, 1945） — 1つの悪い応答は19の良い応答で回復が必要
• ドリフト検出用のCUSUM（Page, 1954） — 38サンプルで5%の精度低下を検出
• 評価用の99%信頼区間のWilsonスコア

評価は設計上ゼロコストです：ローカルのOllamaモデルによる埋め込み類似性（0ドル）、シャドウテスト用のユーザー行動シグナル（0ドル）、即時ヒューリスティックと意味的埋め込みによる2段階検出、および12言語にわたる多言語拒否検出。

ベンチマーク結果

Apple M2（16 GB RAM）での実際の蒸留：SmolLM2-135MをLoRAでファインチューニング、学習可能パラメータは0.242%。トレーニング：100イテレーション、損失は2.45から1.24へ減少（49%削減）。ピークメモリ：トレーニング時0.509 GB、推論時0.303 GB。ベースモデルは72°F = '150°C'と誤って計算しましたが、ファインチューニングされたモデルは10例から学習後、正しく'21.2°C'を出力しました。

ハードウェアを考慮したモデル選択

このシステムはハードウェアを自動検出し、モデルを推奨します：

• 概念実証用のSmolLM2-135M
• 良好なバランス用のQwen2.5-1.5B
• 高品質用のPhi-3.5-3.8B
• 最大能力用のLlama-3.1-8B

/eigentune modelで設定するか、自動のままにします。

セットアップと実装

設定ファイルの1行で有効化：[eigentune] enabled = true。このシステムは収集、品質スコアリング、データセットキュレーション、ファインチューニング、評価、昇格、監視を処理します。すべての失敗はクラウドにフォールバック — 沈黙することなく、以前より悪化することはありません。

Rustで構築、18のクレート、Eigen-Tune内136テスト、ワークスペース合計1,638テスト、警告0。MITライセンスでオープンソース。