Question 1

Bosunとはどのようなモデルか？

Accepted Answer

ナレッジグラフのエッジ（関係性）を判定するための0.6B（6億パラメータ）の小型ジャッジモデルである モデル自身の意見ではなく、渡された自然言語のルールに従って接続の成否を判定する サイズが小さいため、手元のMacなどのローカル環境でも動作させることができる

Question 2

ナレッジグラフの構築になぜ判定器（ジャッジモデル）が必要なのか？

Accepted Answer

AIエージェントの長期記憶として会話や作業ログからナレッジグラフを作成する際、検索性を高めるため 判定を雑に行うと無関係なエッジが増えてしまい、グラフ全体がノイズで汚染される 間違ったエッジが存在すると検索時に関係ない情報を連鎖的に引き出してしまい、徐々に精度が悪化する

Question 3

Bosunが解決する課題と「オプションフリー」の特徴とは何か？

Accepted Answer

アプリケーションごとに異なる「関係性」の定義を、プロンプト内の指示（インストラクション）で柔軟に変更できる 通常の大規模LLMを使う場合と比較して、API利用コストや処理時間の大幅な削減が可能になる 大量のエッジ判定が発生するナレッジグラフ構築において、非常に高いコストパフォーマンスを発揮する

Question 4

Bosunのモデル構成と推論の仕組みはどのようになっているか？

Accepted Answer

Qwen3のリランカーモデルをベースとし、LoRA（ファインチューニング手法）が適用されている 長いテキストを生成するのではなく、最終位置での「Yes」と「No」のロジットスコアを取り出して判定する 1回のフォワードパス（推論）だけでスコアを算出できるため、高速な処理を実現している

Question 5

WarrantBenchでの評価結果とローカルモデル運用のメリットは何か？

Accepted Answer

ルールによって判定が変わるベンチマーク「WarrantBench」において約9割の精度を達成している コサイン類似度などの従来手法では対応が難しかったルールの切り替えに成功している ローカルで不変のモデルを運用できるため、外部APIの仕様変更等による判定基準のズレを防ぐことができる

Podcast振り返り

#5 0.6BのナレッジグラフjudgeモデルBosunを試してみる