Instructions to use tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF with llama.cpp:

Install (macOS, Linux)

curl -LsSf https://llama.app/install.sh | sh
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M

Use pre-built binary

# Download pre-built binary from:
# https://github.com/ggerganov/llama.cpp/releases
# Start a local OpenAI-compatible server with a web UI:
./llama-server -hf tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M

Build from source code

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-server llama-cli
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama-server -hf tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M

Use Docker

docker model run hf.co/tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M

LM Studio
Jan
Ollama
How to use tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF with Ollama:
```
ollama run hf.co/tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M
```

Unsloth Studio

How to use tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF to start chatting

How to use tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M

Configure the model in Pi

# Install Pi:
npm install -g @mariozechner/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

OpenClaw new

How to use tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M

Configure OpenClaw

# Install OpenClaw:
npm install -g openclaw@latest
# Register the local server and set it as the default model:
openclaw onboard --non-interactive --mode local \
  --auth-choice custom-api-key \
  --custom-base-url http://127.0.0.1:8080/v1 \
  --custom-model-id "tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M" \
  --custom-provider-id llama-cpp \
  --custom-compatibility openai \
  --custom-text-input \
  --accept-risk \
  --skip-health

Run OpenClaw

openclaw agent --local --agent main --message "Hello from Hugging Face"

Docker Model Runner
How to use tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF with Docker Model Runner:
```
docker model run hf.co/tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M
```

Lemonade

How to use tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M

Run and chat with the model

lemonade run user.jp-gijiroku-qwen3-4b-v2-GGUF-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M

Configure Hermes

# Install Hermes:
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
hermes setup
# Point Hermes at the local server:
hermes config set model.provider custom
hermes config set model.base_url http://127.0.0.1:8080/v1
hermes config set model.default tokimoa/jp-gijiroku-qwen3-4b-v2-GGUF:Q4_K_M

Run Hermes

hermes

Atomic Chat

jp-gijiroku-qwen3-4b-v2-GGUF / README.md

tokimoa

Upload folder using huggingface_hub

fe2dbc2 verified about 7 hours ago

preview code

Raw

History Blame Contribute Delete

3.48 kB

metadata

license: apache-2.0
base_model: Qwen/Qwen3-4B-Instruct-2507
language:
  - ja
tags:
  - gguf
  - llama.cpp
  - japanese
  - meeting-minutes
  - gijiroku

jp-gijiroku-qwen3-4b-v2-GGUF

日本語議事録抽出モデル jp-gijiroku-qwen3-4b-v2 のGGUF版です。初代の後継で、実際の60分Zoom会議の録音→話者分離→文字起こし→抽出パイプラインで見つけた弱点を標的に継続学習しました。llama.cppでWindows/Linux/MacのCPU・GPUで動きます。

v2で直したこと（すべて実会議で確認）

日付の捏造をしない — 本文に日付がなければ date: "なし"（初代は不定と明記していた点の解消）
完了報告を決定事項に混ぜない — 「デプロイは終わってます」は決定でも宿題でもない
期限の誤借用をしない — 別の話の「今週中」を無関係なタスクに付けない
話者ラベル付き転写に適応 — 話者A: ... 形式の生転写を直接入力できる
報告文の中のコミットを宿題として拾う — 「デプロイできたら結果を共有しておきます」→ todo（担当=発言者）

ファイルと実測（ASR劣化転写20件・全項目正解率）

ファイル	サイズ	全項目正解	備考
Q8_0	4.0GB	15/20	推奨
Q4_K_M	2.3GB	17/20	省メモリ
f16	7.5GB	—	参照用

参考: 初代は同条件でQ8_0 16/20・Q4_K_M 19/20（n=20の揺らぎ圏・同帯域）。v2の価値は上の5項目=実会議で起きる系統的ミスの解消です。整った合成val（50件）は39/50で初代38/50と同等、弱点標的val（60件）は54/60です。

使い方

llama-server -m jp-gijiroku-qwen3-4b-v2-Q8_0.gguf --port 8080 --jinja --reasoning-format none -c 8192

--reasoning-format none を推奨します。 既定パーサだと判断過程がreasoning_content側に分離されcontentが空になる場合があります
出力は「判断過程 → 最終行にJSON」です。最終行をパースしてください（スキーマ: {"date", "attendees", "decisions", "todos": [{"task","owner","due"}], "next_meeting"}）
プロンプトは定型文「次の議事録から出席者・決定事項・宿題（担当と期限）・次回予定を抽出してJSONで出力してください。」+ 本文をそのまま使ってください（学習分布の形式）
長時間会議（30分超）は10分前後のチャンクに分けて抽出→統合を推奨します。学習分布（〜2千トークン）に近い入力長のほうが網羅性が大きく上がります（60分実会議で一括=決定1・宿題1に対しチャンク統合=決定7・宿題6）

データと帰属

学習データ: 合成会議（正解既知・ASR劣化/話者ラベル/コミットあり・なし対比込み）に対する DeepSeek-V4-Flash の検証済み解答軌跡（利用規約は蒸留を明示的に許可）
ベース: Qwen/Qwen3-4B-Instruct-2507（Apache-2.0）

Developed by tokimoa — データを外に出さないAI活用を支援しています