EmoLLM: XTuner設定ファイル群として配布される心理健康大模型
心理健康大模型 (LLM x Mental Health), Pre & Post-training & Dataset & Evaluation & Depoly & RAG, with InternLM / Qwen / Baichuan / DeepSeek / Mixtral / LLama / GLM series models
ひと目でわかる
- これは何？
- EmoLLMは心理健康領域の対話モデルをXTunerの設定ファイルとして公開するリポジトリであり、モデル本体ではなく学習レシピとデータセットの集合体として読むべきものである。採用判断は、同梱の評価手法がどこまで実運用に耐えるかを見極められるかどうかにかかっている。
- 誰に向いている？
- EmoLLMは、心理健康ドメインの対話モデルをXTunerで自前学習させたい研究・検証目的のチームに向く。逆に、臨床現場でそのまま使える完成品のチャットボットを探している場合や、学習済みモデルの安全性を第三者が検証済みであることを前提にしたい場合は適さない。
- 商用利用できる？
- できます。MIT は寛容なライセンスで、著作権表示とライセンス表示を残せば、使用・改変・販売が可能です。
- 今もメンテナンスされている？
- されています。最後のコミットは 89 日前です。
- 何の言語で書かれている？
- 主に Python です（GitHub の言語統計による）。
回答はプロジェクトの GitHub データ（最終同期：2026年9月15日）と当サイトの分析に基づくもので、法的助言ではありません。
オープンソース詳細解説
EmoLLMが配っているのはモデルではなく学習手順である
リポジトリ名からは学習済みモデルの配布に見えるが、実体はXTuner用の設定ファイル群とデータセット、評価、RAG、デプロイの各コンポーネントをまとめたものである。READMEのモデル表を見ると、InternLM2_5_7B_chat、Qwen_7b_chat、Baichuan2_13B_chat、ChatGLM3_6B、DeepSeek MoE_16B_chat、Mixtral 8x7B_instruct、LLaMA3_8B_instruct、Qwen2-7B-Instructといったモデルごとに、QLoRA・LoRA・全量微調のいずれかの方式と、対応する設定ファイルへのパスが並んでいる。つまり利用者は、ベースモデルを自分で用意し、この設定ファイルをXTunerに食わせて学習させる立場に置かれる。配布物の中心がレシピであるという点は、後述するライセンスと保守コストの話に直結する。
理解・支持・支援という3段階の対話設計
READMEはEmoLLMを「理解ユーザ-支持ユーザ-帮助ユーザ」という心理健康辅导の链路を支えるモデル群と説明している。この3段階は、単に共感的な応答を返すだけでなく、ユーザーの状態を把握し、支え、最終的に何らかの行動変容や支援リソースへの接続を狙うという設計意図を示す。ただし、この3段階がプロンプト設計なのか、データセットのラベル設計なのか、評価軸なのかはREADMEの記述からは判別できない。設定ファイルの一覧とモデル名が先に提示され、その背後にある対話設計の実装は本文では説明されていない。この順序は、このリポジトリが研究プロジェクトの成果物をそのまま公開した性格を持つことをうかがわせる。
XTuner設定ファイルを読むという作業
実務上、最初に開くのはxtuner_configディレクトリの中身である。ファイル名にはベースモデル、学習方式、データセット、エポック数、学習率らしき数値が埋め込まれている。例えばinternlm2_5_chat_7b_qlora_oasst1_e3.pyはQLoRAとoasst1データセットと3エポックを示し、internlm2_7b_base_qlora_e10_M_1e4_32_64.pyはbaseモデル、10エポック、学習率1e-4、そして32と64という数値（バッチサイズかシーケンス長と推測されるが、READMEには説明がない）を含む。aiwei_llama3_8b_instruct_qlora_e3.pyやllama3_8b_instruct_qlora_alpaca_e3_M_ruozhi_scM.pyのように、命名規則から外れたファイルも複数あり、これらは個別の実験の名残と見られる。採用を検討するなら、目的のベースモデルに対応するファイルを選び、中身のデータセットパスとハイパーパラメータを自分の環境に合わせて書き換える作業が発生する。
データセットと評価はどこまで同梱されているか
READMEの冒頭説明にはDataset、Evaluation、RAG、Depoly（原文の綴り）が含まれると明記されており、トピックにもdatasetとevaluationが挙がっている。しかし提示された本文からは、データセットの具体的な規模、収集元、アノテーション基準、そして評価コードがどの指標を算出するのかを確認できない。心理健康領域のデータセットは、収集経路によっては個人の相談内容を含む可能性があり、ライセンスがMITであってもデータそのものの再配布条件は別に確認する必要がある。評価についても同様で、自動評価のみなのか、人手評価のプロトコルが含まれるのかが不明である。この不明瞭さは、このリポジトリを研究用途で参照する分には問題にならないが、調達や稟議の材料にする場合には追加調査を要する。
推論環境としてのOpenXLabとデプロイの位置づけ
READMEのバッジとリンクから、OpenXLab上にEmoLLM 2.0の体験アプリと、複数のモデルがホストされていることが分かる。モデル表の右端の列にもOpenXLabとModelScopeへのリンクが並んでおり、学習済みモデルの一部はそちらから取得できる。つまり、自分で学習させずに既存の成果物を試す経路と、XTuner設定を使って自前で学習させる経路の2つが用意されている。ただし、OpenXLab上のモデルがどのリビジョンの設定ファイルで作られたかはREADMEからは追えない。再現性を重視するなら、モデル配布物ではなく設定ファイルとデータセットの側を起点にすべきである。
向かないケース: 臨床利用と安全性の検証
最大の注意点は、これが心理健康を扱うモデルである以上、出力の誤りが実害に直結しうるという点である。READMEには安全性の評価、有害出力のフィルタリング、危機介入のエスカレーションに関する記述が見当たらない。モデル表に並ぶのは学習方式とリンクであり、どのモデルがどのような安全基準を満たすかは示されていない。うつ状態や自傷念慮に言及するユーザーへの応答を、このリポジトリの成果物だけで本番運用するのは無理がある。また、XTuner設定を動かすにはGPUリソースとベースモデルの入手経路が必要で、7BクラスのQLoRAでも相応のVRAMを要する。手元のノートPCで試す類のプロジェクトではない。
比較対象としての汎用チャットモデル+プロンプト
代替手段として最も現実的なのは、QwenやLLaMA3といった汎用のinstruction-tunedモデルをそのまま使い、システムプロンプトで傾聴と共感の応答スタイルを指定する方法である。この場合、追加の学習は不要で、モデルの更新にもそのまま追随できる。EmoLLMとの違いは、ドメイン固有の対話パターンを重みに焼き込むか、プロンプトで誘導するかにある。焼き込めばトーンは安定しやすいが、ベースモデルを差し替えるたびに再学習が必要になり、また学習データに由来する癖も一緒に固定される。逆にプロンプト方式は、モデル側の安全アラインメントをそのまま利用できる点で扱いやすい。どちらが優れているかではなく、ドメイン適応を重みに持たせる必要があるかを先に問うべきである。
MITライセンスと保守コストの実際
リポジトリのライセンスはMITと明記されている。設定ファイルとコードについては寛容な条件で利用できるが、学習に使うベースモデルとデータセットはそれぞれ別のライセンスを持つ。InternLM、Qwen、Baichuan、LLaMA3、Mixtral、ChatGLM、DeepSeekは各々に利用条件があり、商用利用の可否もモデルごとに異なる。MITという表示だけを見て全体が自由に使えると判断するのは早計である。保守の面では、直近のリリースがv0.6（2025年5月）、v0.5（2025年3月）、v0.4（2024年10月）と記録されており、更新は継続している。ただしモデル表の行数が示すとおり対応ベースモデルが広く、すべてが同じタイミングで検証されているとは限らない。特定の1モデルに絞って追う方が、表全体を追うより現実的である。
編集部の結論
EmoLLMは、心理健康ドメインの対話モデルをXTunerで自前学習させたい研究・検証目的のチームに向く。逆に、臨床現場でそのまま使える完成品のチャットボットを探している場合や、学習済みモデルの安全性を第三者が検証済みであることを前提にしたい場合は適さない。導入前に確認すべきは、READMEのモデル表に並ぶ各設定ファイルがどのデータセットを指しているか、そして同梱の評価コードがどの指標を出力するのかの2点である。この2つが自組織の要件と噛み合わなければ、モデル名の一覧がどれだけ長くても採用理由にはならない。
コミュニティノート