metadata

license: llama3.2
language:
  - en
  - zh
base_model:
  - meta-llama/Llama-3.2-3B
library_name: transformers
tags:
  - Taiwan
  - R.O.C
  - zhtw
  - SLM
  - Llama-32
  - gguf
datasets:
  - lianghsun/tw-reasoning-instruct
  - minyichen/tw-instruct-R1-200k
  - minyichen/tw_mm_R1
model-index:
  - name: Llama-3.2-3B-F1-Instruct
    results:
      - task:
          type: question-answering
          name: Single Choice Question
        dataset:
          type: ikala/tmmluplus
          name: tmmlu+
          config: all
          split: test
          revision: c0e8ae955997300d5dbf0e382bf0ba5115f85e8c
        metrics:
          - name: single choice
            type: accuracy
            value: 46.16
      - task:
          type: question-answering
          name: Single Choice Question
        dataset:
          type: cais/mmlu
          name: mmlu
          config: all
          split: test
          revision: c30699e
        metrics:
          - name: single choice
            type: accuracy
            value: 51.22
      - task:
          type: question-answering
          name: Single Choice Question
        dataset:
          type: lianghsun/tw-legal-benchmark-v1
          name: tw-legal-benchmark-v1
          config: all
          split: test
          revision: 66c3a5f
        metrics:
          - name: single choice
            type: accuracy
            value: 34.92
metrics:
  - accuracy

Model Card for Llama-3.2-3B-F1-Instruct (a.k.a Formosa-1 or F1)

Note: The checkpoint for this model will be released soon. Please stay tuned. 🙏

Llama-3.2-3B-F1-Instruct（a.k.a Formosa-1 or F1）是由 Twinkle AI 與 APMIC 合作開發，並在國家高速網路與計算中心技術指導之下，針對中華民國台灣語境與任務需求所微調之繁體中文語言模型，涵蓋法律、教育、生活應用等多元場景，並以高指令跟隨能力為目標進行強化。

Model Details

Model Description

Developed by: Liang Hsun Huang、Min Yi Chen、Wen Bin Lin、Chao Chun Chuang & Dave Sung (All authors have contributed equally to this work.)
Funded by: APMIC
Model type: LlamaForCausalLM
Language(s) (NLP): Tranditional Chinese & English
License: llama3.2

Model Sources

Repository: twinkle-ai/Llama-3.2-3B-F1-Instruct
Paper: (TBA)

Evaluation

Results

下表採用 🌟 Twinkle Eval 評測框架

模型	評測模式	TMMLU+(%)	台灣法律(%)	MMLU(%)	測試次數	選項排序
mistralai/Mistral-Small-24B-Instruct-2501	box	56.15 (±0.0172)	37.48 (±0.0098)	74.61 (±0.0154)	3	隨機
meta-llama/Llama-3.2-3B-Instruct	box	15.49 (±0.0104)	25.68 (±0.0200)	6.90 (±0.0096)	3	隨機
meta-llama/Llama-3.2-3B-Instruct	pattern	35.85 (±0.0174)	32.22 (±0.0023)	59.33 (±0.0168)	3	隨機
MediaTek-Research/Llama-Breeze2-3B-Instruct	pattern	40.32 (±0.0181)	38.92 (±0.0193)	55.37 (±0.0180)	3	隨機
twinkle-ai/Llama-3.2-3B-F1-Instruct (ours)	box	46.16 (±0.0198)	34.92 (±0.0243)	51.22 (±0.0206)	3	隨機

下表用 lighteval 評測框架

模型	MATH-500	GPQA Diamond
meta-llama/Llama-3.2-3B-Instruct	44.40	27.78
twinkle-ai/Llama-3.2-3B-F1-Instruct (ours)	51.40	33.84

🔧 Tool Calling

本模型使用 Hermes 格式訓練，並支援平行呼叫（Parallel calling），以下為完整範例流程。 Tool call 模板已經為大家寫好放進 chat-template 了，Enjoy it!

1️⃣ 啟動 vLLM 後端

⚠️ 注意：需要 vLLM 版本 >= 0.8.3，否則 enable-reasoning、enable-auto-tool-choice 無法同時開啟

vllm serve twinkle-ai/Llama-3.2-3B-F1-Instruct \
  --port 8001 \
  --enable-reasoning \
  --reasoning-parser deepseek_r1 \
  --enable-auto-tool-choice \
  --tool-call-parser hermes

2️⃣ 定義工具（Functions）

def get_weather(location: str, unit: str):
    return f"{location}的氣溫是{unit}26度，晴朗無風"

def search(query: str):
    return "川普終於宣布對等關稅政策，針對 18 個經濟體課徵一半的對等關稅，並從 4/5 起對所有進口產品徵收10%的基準關稅！美國將針對被認定為不當貿易行為(不公平貿易) 的國家，於 4/9 起課徵報復型對等關稅 (Discounted Reciprocal Tariff)，例如：日本將被課徵 24% 的關稅，歐盟則為 20%，以取代普遍性的 10% 關稅。\n針對中國則開啟新一波 34% 關稅，並疊加於先前已實施的關稅上，這將使中國進口商品的基本關稅稅率達到 54%，而且這尚未包含拜登總統任內或川普第一任期所施加的額外關稅。加拿大與墨西哥則不適用這套對等關稅制度，但川普認為這些國家在芬太尼危機與非法移民問題尚未完全解決，因此計畫對這兩國的大多數進口商品施加 25% 關稅。另外原本針對汽車與多數其他商品的關稅豁免將於 4/2 到期。\n台灣的部分，美國擬向台灣課徵32％的對等關稅，雖然並未針對晶片特別課徵關稅，但仍在記者會中提到台灣搶奪所有的電腦與半導體晶片，最終促成台積電對美國投資計劃額外加碼 1,000 億美元的歷史性投資；歐盟則課徵20％的對等關稅。最後是汽車關稅將於 4/2 起，對所有外國製造的汽車課徵25% 關稅。"

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get the current weather in a given location",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {"type": "string", "description": "國家或城市名, e.g., 'Taipei'、'Jaipei'"},
                    "unit": {"type": "string", "description": "氣溫單位，亞洲城市使用攝氏；歐美城市使用華氏", "enum": ["celsius", "fahrenheit"]}
                },
                "required": ["location", "unit"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "search",
            "description": "這是一個類似 Google 的搜尋引擎，關於知識、天氣、股票、電影、小說、百科等等問題，如果你不確定答案就搜尋一下。",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string", "description": "should be a search query, e.g., '2024 南韓 戒嚴'"}
                },
                "required": ["query"]
            }
        }
    }
]

3️⃣ 執行工具調用（Tool Calls）

response = client.chat.completions.create(
    model=client.models.list().data[0].id,
    messages=[
        {"role": "system", "content": "記住你的知識截止於2024/12，今天是2025/4/7"},
        {"role": "user", "content": "台北氣溫如何? 另外，告訴我川普最新關稅政策"},
    ],
    max_tokens=1500,
    temperature=0.6,
    top_p=0.95,
    tools=tools,
    tool_choice="auto"
)

print(response.choices[0].message.reasoning_content)
print(response.choices[0].message.tool_calls)

🧠 推理內容輸出(僅顯示部分)：

好的，我需要幫助這個使用者解決他們的問題。他們問了兩件事：首先，臺北市的天氣情況，以及第二，關於川普最近的關稅政策。
對於第一部分，他們提到了“臺北”，所以應該呼叫 get_weather 函式…
接下來是關於川普的新關稅政策…
總結一下，我需要分別進行兩次 API 呼叫，每次都有各自正確填寫的參數…

⚙️ Tool Calls List:

[ChatCompletionMessageToolCall(id='chatcmpl-tool-35e74420119349999913a10133b84bd3', function=Function(arguments='{"location": "Taipei", "unit": "celsius"}', name='get_weather'), type='function'), ChatCompletionMessageToolCall(id='chatcmpl-tool-7ffdcb98e59f4134a6171defe7f2e31b', function=Function(arguments='{"query": "Donald Trump latest tariffs policy"}', name='search'), type='function')]

4️⃣ 產生最終回答

response = client.chat.completions.create(
    model=client.models.list().data[0].id,
    messages=[
        {"role": "system", "content": "記住你的知識截止於2024/12，今天是2025/4/7"},
        {"role": "user", "content": "台北氣溫如何? 另外，告訴我川普最新關稅政策"},
        {
            "role": "assistant",
            "content": "",
            "tool_calls": [
                {
                    "id": response.choices[0].message.tool_calls[0].id,
                    "type": "function",
                    "function": {
                        "name": response.choices[0].message.tool_calls[0].function.name,
                        "arguments": response.choices[0].message.tool_calls[0].function.arguments
                    }
                },
                {
                    "id": response.choices[0].message.tool_calls[1].id,
                    "type": "function",
                    "function": {
                        "name": response.choices[0].message.tool_calls[1].function.name,
                        "arguments": response.choices[0].message.tool_calls[1].function.arguments
                    }
                }
            ]
        },
        {
            "role": "tool",
            "content": search(**json.loads(response.choices[0].message.tool_calls[0].function.arguments)),
            "tool_call_id": response.choices[0].message.tool_calls[0].id # tool_call_id 必須要帶，才能正確配對 工具 及 tool_call
        },
        {
            "role": "tool",
            "content": get_weather(**json.loads(response.choices[0].message.tool_calls[1].function.arguments)),
            "tool_call_id": response.choices[0].message.tool_calls[1].id # tool_call_id 必須要帶，才能正確配對 工具 及 tool_call
        }
    ],
    max_tokens=1500,
    temperature=0.6,
    top_p=0.95,
    tools=tools,
    tool_choice="auto"
)

print(response.choices[0].message.reasoning_content)
print(response.choices[0].message.content)

🧠 推理內容輸出(僅顯示部分)：

首先，我需要處理使用者的查詢，他們要求了解臺北市的當下氣溫以及川普最近的關稅政策…
在呼叫了 get_weather 後得到了臺北市氣溫為 26 度（攝氏）…
接著，使用 search 搜尋「川普最新關稅政策 2025」…
整合後，我提供如下摘要：

📋 最終輸出內容：

以下是您請求的資訊：

**臺北市氣溫**
- 目前的氣溫為 **26°C**（攝氏）
- 天候狀況：晴朗無風

**川普最新關稅政策概述**
1. **對等關稅政策**  
   - 對 18 個經濟體課徵 50% 的對等關稅  
   - 自 4 月 5 日起，所有進口產品全面徵收 10% 基本關稅  

2. **報復型對等關稅**  
   - 日本 24%、歐盟 20%  

3. **對中國的高額關稅**  
   - 增加至 54%（原有關稅 + 新增 34%）  

4. **特殊案例**  
   - 加拿大與墨西哥不適用，但其他商品課徵 25%  
   - 汽車與部分商品的免稅即將到期  

5. **對台灣的影響**  
   - 美國計畫對台灣課徵 32% 關稅，但晶片暫無額外課稅  

6. **全球視角**  
   - 歐盟與日本關稅比例相對較高

Citation

@misc{twinkleai2025llama3.2f1,
  title        = {Llama-3.2-3B-F1-Instruct: A Traditional Chinese Instruction-Tuned Language Model for Taiwan},
  author       = {Huang, Liang Hsun and Chen, Min Yi and Lin, Wen Bin and Chuang, Chao Chun and Sung, Dave},
  year         = {2025},
  howpublished = {\url{https://huggingface.co/twinkle-ai/Llama-3.2-3B-F1-Instruct}},
  note         = {Twinkle AI and APMIC. All authors contributed equally.}
}

Acknowledge

特此感謝國家高速網路與計算中心的指導與 APMIC 的算力支援，才得以讓本專案訓利完成。
特此致謝黃啟聖老師、許武龍（哈爸）、臺北市立第一女子高級中學物理科陳姿燁老師、奈視科技 CTO Howard、AIPLUX Technology、郭家嘉老師以及所有在資料集製作過程中提供寶貴協助的夥伴。

Model Card Authors

Twinkle AI

Model Card Contact

Twinkle AI