楽しいGPT
無料
FunGPT は、InternLM2.5 シリーズの大規模モデルに基づくオープンソースの AI 感情制御プロジェクトです。スイート トーク モードとシャープ トーク モードを提供し、LLM + ASR + TTS フルリンク インタラクションをサポートします。
FunGPT
コアパラメータと統計
| プロジェクト | 詳細 |
|---|---|
| 製品名 | 楽しいGPT |
| 製品タイプ | AI感情規制 / オープンソースプロジェクト |
| 納品フォーム | オープン ソース コード + 自己展開 Web |
| サポートされている言語 | 中国語、英語 |
| ベーシックモデル｜ InternLM2.5 (1.8B / 7B) | |
| 対象ユーザー | 開発者、AI 学習者、感情的相互作用の研究者 |
上記の情報は、GitHub ウェアハウスとプロジェクトの README に基づいています。
ユーザーと市場の認識
FunGPT は GitHub 上の個人プロジェクトのオープンソースで、2026 年 7 月の時点で 57 個のスターと 10 個のフォークを獲得しています。このプロジェクトは独立した開発者 Alannikos によって維持されており、元々は上海人工知能研究所の InternLM シリーズ モデルの学習および実践プロジェクトとして使用されていました。
- オープンソース コミュニティの評価: このプロジェクトは、AI Toolset Navigation などの中国の AI リソース サイトに組み込まれ、コミュニティから肯定的なフィードバックを受けました。
- 学術研究の位置づけ: このプロジェクトは、学術研究のみを目的としており、商業的な運営は含まれていないことを明確に示しています。
- モデルの生態学的貢献: BanterBot / BoostBot シリーズの合計 8 つの微調整されたモデルが HuggingFace でリリースされ、7B および 1.8B 仕様と INT4 量子化バージョンをカバーしました。
コストメリット
| コスト ディメンション | 説明 |
|---|---|
| オープンソースで無料 | MIT ライセンスに基づいたオープンソースで、自由に使用、変更、配布できます。 |
| 自己展開のコスト | GPUサーバーをご自身で用意する必要があります（A100 80GBまたは同等の演算能力を推奨） |
| クラウドモデルのコスト | ローカル推論コストを削減するための外部 API (ChatGLM4-Flash 無料クォータなど) へのオプションのアクセス |
FunGPT は純粋なオープンソース プロジェクトなので、有料のサブスクリプション料金やエンタープライズ ライセンス料金はありません。主なコストは、ローカル展開に必要な GPU リソースと時間の投資です。このプロジェクトは、1.8B の軽量モデルと、より低い構成で実行できる AWQ INT4 量子化バージョンを提供します。
主な機能
- スイート トーク モード (ブーストボット): 温かく褒める口調でユーザーに応答し、気分と自信を向上させます。指示に従って微調整された InternLM2.5 モデルに基づいて、パーソナライズされた賞賛コンテンツが生成されます。
- シャープ トーク モード (BanterBot): ユーモラスかつシャープな口調でユーザーに応答し、感情の解放の場を提供します。人々を攻撃する想像力豊かな方法をサポートしており、面白くて楽しいです。
- フルリンク音声サポート: ASR (SenseVoice) 音声認識と TTS (ChatTTS) 音声合成を統合し、音声入力→ LLM 処理→音声出力の完全な対話をサポートします。
- モデル量子化の展開: LMDeploy ツールに基づいて AWQ INT4 量子化を実装すると、7B モデルのメモリ使用量を約 60% 削減でき、コンシューマ グレードの GPU でも実行できます。
- フルプロセスの教育リソース: オープンソースの完全なデータ生成、微調整 (LoRA/QLoRA)、定量化、展開コードおよびドキュメントと、Bilibili ビデオ チュートリアルが付属します。
モデルとバージョンの進化
| 時間 | マイルストーン |
|---|---|
| 2024-09 | LLM (InternLM2.5)、ASR (SenseVoice)、および TTS (ChatTTS) の初期単一機能テストを完了 |
| 2024-10 | BoostBot v1 の最初の微調整バージョンをリリースし、Streamlit Web インターフェイスを完成させました。 |
| 2024-11-10 | 7Bシリーズモデル（BanterBot-7b-chat / BoostBot-7b-chat）のリリース |
| 2024-11-13 | 1.8Bシリーズ軽量モデル発売 |
| 2024-11-14 | LMDeploy に基づく 4 つのモデルの AWQ INT4 定量化を完了 |
| 2024-11-19 | 機密文書処理モジュールを統合してコンテンツのセキュリティを強化 |
| 2025-05-29 | パス関連のバグを修正し、展開エクスペリエンスを最適化します。 |
| 2025-05-30 | オープンソースの補完微調整データセット ComplimentCorpus |
モデル ファミリは、BanterBot (Talk) と BoostBot (Sweet Talk) の 2 つの製品ラインをカバーしています。各シリーズは、標準バージョンと INT4 量子化バージョンの 7B および 1.8B 仕様の合計 8 モデルを提供します。すべてのモデルは、HuggingFace および OpenXLab からダウンロードできます。
技術的な利点
- 基本モデルの選択: InternLM2.5 シリーズをベース モデルとして使用し、8K コンテキスト ウィンドウと優れた中国語理解能力を備え、中国語の感情的なインタラクション シーンで自然に動作します。
- 微調整テクノロジ スタック: Xtuner ツールを使用して命令の微調整とフルスケールの微調整 (LoRA/QLoRA) を行い、コンシューマ グレードのグラフィックス カードでのモデルのカスタマイズをサポートします。 1.8B軽量モデルはハードウェアの敷居をさらに下げます。
- 量子化デプロイメントの最適化: LMDeploy に基づいて AWQ (Adaptive Weight Quantization) INT4 量子化を実装します。これにより、モデルのパフォーマンスを維持しながら、ビデオ メモリの使用量と推論遅延が大幅に削減されます。
- フルリンク アーキテクチャ: LLM (コア ダイアログ) + ASR (音声認識) + TTS (音声合成) の 3 段階アーキテクチャ。各モジュールは独立して交換およびアップグレードできます。モデルのロード/アンロード メカニズムにより、GPU メモリの使用率が最適化されます。
- Streamlit Web インターフェイス: インタラクティブ ページは Streamlit に基づいて構築され、甘い言葉と鋭い言葉の間のデュアルモード切り替えをサポートし、音声入力用の録音コンポーネントが付属しています。
使い方
FunGPT はオープンソース プロジェクトなので、自分でデプロイする必要があります。クイック スタート プロセスは次のとおりです。
状況に応じた要件
- オペレーティング システム: Ubuntu 20.04+ (推奨)
- GPU: NVIDIA A100 80GB / 同等の計算能力 (量子化バージョンにより要件を軽減できます) -Python 3.10
導入手順
「」バッシュ
1. リポジトリのクローンを作成する
git clone https://github.com/Alannikos/FunGPT cd FunGPT
2. Conda コンテキストを作成する
conda create -n FunGPT python==3.10.0 conda は FunGPT をアクティブ化します pip install -r 要件.txt
3. モデルをダウンロードします (LLM の場合は必須、ASR/TTS の場合はオプション)
LLM モデルの例 (バージョン 1.8B):
git lfs インストール git clone https://huggingface.co/Alannikos768/BanterBot_1_8b-chat LLM/weights/ git clone https://huggingface.co/Alannikos768/BoostBot_1_8b-chat LLM/weights/
4. Webサービスを開始する
streamlit 実行 app.py --server.address=127.0.0.1 --server.port=7860 「」
オンライン体験
このプロジェクトは、HuggingFace Spaces のオンライン デモを提供します。 https://huggingface.co/spaces/Alannikos768/BoostBot-1_8B-chat-Demo
製品の価格設定
FunGPT は完全なオープン ソース プロジェクト (MIT ライセンス) であり、サブスクリプション料金やライセンス料金はかかりません。
- ソフトウェア費用: $0 (オープンソースの場合は無料)
- ハードウェア コスト: 独自の GPU サーバーを持ち込みます。1.8B 定量バージョンはコンシューマー グレードのグラフィック カードで実行でき、7B バージョンは A100 レベルを推奨します。
- オプションの API コスト: ChatGLM4-Flash の無料割り当ては、追加費用をかけずにデータ生成に使用できます。
注意: このプロジェクトには、学術研究のみを目的としており、商用利用が禁止されていることが明記されています。サードパーティのコードが含まれる場合は、それぞれのオープンソース ライセンスに従う必要があります。
アプリケーションのシナリオ
- AI/LLM 学習実践: データ生成→微調整→定量化→展開のプロセス全体を完全にカバーします。これは、エントリーレベルの大規模モデル開発のための理想的なリファレンス プロジェクトです。サポートされているドキュメントとビデオチュートリアルにより、始めるための敷居が低くなります。
- 感情的相互作用の研究: 感情的コンピューティングと会話型 AI の感情制御機能に関する研究のための再現可能な実験ベースラインを提供します。
- エンターテイメントとストレス軽減: 甘いトークモードは毎日の気分調整に適しており、鋭いトークモードは楽しい社交ツールとして使用できます。
- 音声対話プロトタイプ: ASR + LLM + TTS の 3 段階アーキテクチャは、音声対話システムのリファレンス実装として使用できます。
該当する人
- AI 開発者/LLM 学習者: 完全なプロジェクトを通じて大規模モデルの微調整、定量化、展開のプロセス全体を実践したい技術担当者。
- 学術研究者: 感情コンピューティング、人間とコンピュータのインタラクション、および対話システムに従事する研究者は、FunGPT をベースライン システムとして使用できます。
- オープンソース愛好家: AI の感情的インタラクションに興味があり、オープンソース プロジェクトを探索して貢献する意欲のある個人。
群衆には適していません:
- すぐに使える SaaS 製品を必要とするユーザー (FunGPT は自己展開が必要で、ゼロ以外のしきい値が必要です)
- 本格的な商用アプリケーションを追求しているチーム (プロジェクトは学術目的のみであり、商用サポートはありません)
- 生成されたコンテンツの非常に高品質が必要なシナリオ (モデルにはランダム性と定量化の精度に制限があります)
概要と展望
FunGPT は、完全な機能と詳細なドキュメントを備えたオープンソースの AI 感情制御プロジェクトです。 InternLM2.5をベースに、LoRA/QLoRAの微調整により甘い言葉と鋭い発言という2つの興味深いインタラクションモードを実現しています。このプロジェクトの最大の価値は、LLM 学習者にデータの準備からモデルの定量的展開までの完全な実践的なパスを提供することです。
将来の計画には、GPT-SoVITS 音声合成のサポート、大規模モデル API アクセス、データ生成ガイドラインの改善、機密単語フィルタリング モジュールの強化などが含まれます。
調達/採用リスク評価: FunGPT は学術研究および個人学習プロジェクトとして位置付けられています。 MIT ライセンスでは自由に使用できますが、このプロジェクトには商用サポート チームがなく、SLA 保証もなく、安定版のリリース リズムもありません。本番環境に限定された展開では、GPU のコストとメンテナンスが発生します。このプロジェクトは、ビジネス上の重要な依存関係ではなく、学習およびプロトタイピング ツールとして使用することをお勧めします。
関連ツール: 
CrewAI、langchain
アーキテクチャ設計とテクノロジーの選択
オープンソース プロジェクトである FunGPT のアーキテクチャ設計、コミュニティの健全性、運用とメンテナンスの成熟度は、テクノロジーを選択する際に包括的に考慮する必要がある中核的な要素です。以下は、オープンソース プロジェクトの運用準備状況を評価するための体系的なフレームワークです。
アーキテクチャとモジュール設計 プロジェクトのアーキテクチャ設計は、二次開発と統合の柔軟性を直接決定します。マイクロサービス、プラグイン、またはイベント駆動型アーキテクチャを採用するプロジェクトは通常、スケーラビリティと機能分離が優れているため、チームが特定のモジュールをオンデマンドで拡張およびカスタマイズすることが容易になります。モノリシック アーキテクチャは展開が簡単で、操作と保守が直感的で、小規模な使用と迅速な検証に適しています。しかし、機能が増加するにつれて、メンテナンスの複雑さの増加や技術的負債の蓄積などの問題に直面する可能性があります。選択する前にプロジェクトのアーキテクチャ ドキュメントと開発者ガイドを読み、チームの既存のテクノロジ スタックに対するアーキテクチャ設計の適応性、および将来のビジネスの成長に伴うアーキテクチャの拡張性を評価することをお勧めします。
地域の健康と長期的な維持 オープンソース プロジェクトのコミュニティの健全性は、プロジェクトが長期にわたって維持および開発できるかどうかを示す重要な指標です。次の側面を包括的に評価することをお勧めします: GitHub スターの成長傾向と絶対値 (コミュニティの注目とユーザー ベースを反映)、貢献者の数と構成 (一時的な貢献者に対するコア メンテナの比率、理想的には少なくとも 3 人のアクティブなコア メンテナがいる)、問題の応答時間の中央値 (理想的には 24 時間以内、メンテナンス チームの応答効率を反映)、PR マージ率とマージ遅延 (プロジェクトの標準化と効率を反映)ガバナンス）、最新のメジャー リリースの時期（6 か月以上更新がない場合は、プロジェクトのメンテナンスが停止している兆候と見なす必要があります）。アクティブなコミュニティとは、より迅速なバグ修正、より頻繁な機能更新、より充実したサードパーティ統合エコシステムを意味し、問題が発生したときにコミュニティからの支援が簡単に得られることを意味します。
展開、運用、保守、および実稼働の準備 実稼働環境のデプロイメントでは、次の側面の評価に重点を置く必要があります: Docker イメージとバージョンのラベル付け戦略の完全性 (マルチアーキテクチャミラーリングが提供されているかどうか)、ワンクリックデプロイメントスクリプトの可用性とドキュメントの品質 (docker-compose、Helm Chart、Terraform など)、ランタイムに依存するコンポーネントの数と管理の複雑さ (依存関係が増えると、運用とメンテナンスの複雑さが指数関数的に増加します)、モニタリングおよびロギングインフラストラクチャの統合サポート (Prometheus インジケーターの公開、 Grafana ダッシュボード、構造化されたログ出力)、バックアップ、リカバリ、高可用性ソリューションの完全なドキュメント。テスト環境で展開プロセス全体を実行し、ドキュメントに最初から厳密に従い、各ステップの正確さと環境の互換性を検証し、すべての機能が検証された後に本番環境に導入することを強くお勧めします。
バージョン情報
- 正式リリース版 ：InternLM2.5 シリーズ モデルに基づいて、甘い言葉と鋭い言葉の 2 つの感情調整モードを提供し、LLM + ASR + TTS の完全なリンクをサポートします。
- 初期バージョン ：InternLM2.5_1.8b モデルに基づいて、LLM、ASR、および TTS の単一関数の初期テストと評価を完了します。
ユーザーレビュー