Instructions to use BCCard/Llama-3.1-Kor-BCCard-Finance-8B with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Transformers
How to use BCCard/Llama-3.1-Kor-BCCard-Finance-8B with Transformers:
# Use a pipeline as a high-level helper from transformers import pipeline pipe = pipeline("text-generation", model="BCCard/Llama-3.1-Kor-BCCard-Finance-8B") messages = [ {"role": "user", "content": "Who are you?"}, ] pipe(messages)# Load model directly from transformers import AutoTokenizer, AutoModelForCausalLM tokenizer = AutoTokenizer.from_pretrained("BCCard/Llama-3.1-Kor-BCCard-Finance-8B") model = AutoModelForCausalLM.from_pretrained("BCCard/Llama-3.1-Kor-BCCard-Finance-8B", device_map="auto") messages = [ {"role": "user", "content": "Who are you?"}, ] inputs = tokenizer.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", ).to(model.device) outputs = model.generate(**inputs, max_new_tokens=40) print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:])) - Inference
- Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- vLLM
How to use BCCard/Llama-3.1-Kor-BCCard-Finance-8B with vLLM:
Install from pip and serve model
# Install vLLM from pip: pip install vllm # Start the vLLM server: vllm serve "BCCard/Llama-3.1-Kor-BCCard-Finance-8B" # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:8000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "BCCard/Llama-3.1-Kor-BCCard-Finance-8B", "messages": [ { "role": "user", "content": "What is the capital of France?" } ] }'Use Docker
docker model run hf.co/BCCard/Llama-3.1-Kor-BCCard-Finance-8B
- SGLang
How to use BCCard/Llama-3.1-Kor-BCCard-Finance-8B with SGLang:
Install from pip and serve model
# Install SGLang from pip: pip install sglang # Start the SGLang server: python3 -m sglang.launch_server \ --model-path "BCCard/Llama-3.1-Kor-BCCard-Finance-8B" \ --host 0.0.0.0 \ --port 30000 # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:30000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "BCCard/Llama-3.1-Kor-BCCard-Finance-8B", "messages": [ { "role": "user", "content": "What is the capital of France?" } ] }'Use Docker images
docker run --gpus all \ --shm-size 32g \ -p 30000:30000 \ -v ~/.cache/huggingface:/root/.cache/huggingface \ --env "HF_TOKEN=<secret>" \ --ipc=host \ lmsysorg/sglang:latest \ python3 -m sglang.launch_server \ --model-path "BCCard/Llama-3.1-Kor-BCCard-Finance-8B" \ --host 0.0.0.0 \ --port 30000 # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:30000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "BCCard/Llama-3.1-Kor-BCCard-Finance-8B", "messages": [ { "role": "user", "content": "What is the capital of France?" } ] }' - Docker Model Runner
How to use BCCard/Llama-3.1-Kor-BCCard-Finance-8B with Docker Model Runner:
docker model run hf.co/BCCard/Llama-3.1-Kor-BCCard-Finance-8B
| license: llama3 | |
| tags: | |
| - bccard | |
| datasets: | |
| - BCCard/BCCard-Finance-Kor-QnA | |
| base_model: | |
| - sh2orc/Llama-3.1-Korean-8B-Instruct | |
| **Llama-3.1-Kor-BCCard-Finance-8B** is a Korean financial knowledge model based on Meta-Llama-3.1 8B. | |
| - Dataset [BCCard/BCCard-Finance-Kor-QnA](https://huggingface.co/datasets/BCCard/BCCard-Finance-Kor-QnA) | |
| BC Card, which is the largest credit card company in Korea, is a question/answer model learned using Korean financial datasets. | |
| # How to Use | |
| ```python | |
| from vllm import LLM, SamplingParams | |
| from transformers import AutoTokenizer, pipeline | |
| BASE_MODEL = "BCCard/Llama-3.1-Kor-BCCard-Finance-8B" | |
| llm = LLM(model=BASE_MODEL) | |
| tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL) | |
| tokenizer.pad_token = tokenizer.eos_token | |
| tokenizer.padding_side = 'right' | |
| instruction = 'λΉμ¨μΉ΄λ μ°μ²΄μ λν λ¬Έμλ₯Ό νλ €κ³ ν©λλ€. μ°μ²΄ μ΄μλ₯Ό μλ €μ£Όκ³ , μ°μ²΄κ° λλ©΄ μ΄λ»κ² λΌ?' | |
| messages = [ | |
| { | |
| "role": "system", | |
| "content": "λΉμ μ νλ₯ν AI λΉμμ λλ€. λ΅λ³μ λ¨λ΅μμ΄ μλλΌ μμΈνκ² μμ±ν΄μ€. You are a great AI assistant. Do suggest a detail paragraph not a short sentence." | |
| }, | |
| { | |
| "role": "user", | |
| "content": instruction | |
| }, | |
| ] | |
| prompt_message = tokenizer.apply_chat_template( | |
| messages, | |
| tokenize=False, | |
| add_generation_prompt=True, | |
| ) | |
| eos_token_id = [tokenizer.eos_token_id, tokenizer.convert_tokens_to_ids("<|eot_id|>")] | |
| outputs = llm.generate(prompt_message, SamplingParams(stop_token_ids=eos_token_id, temperature=0.3, top_p=0.8,max_tokens=4096)) | |
| for output in outputs: | |
| prompt = output.prompt | |
| generated_text = output.outputs[0].text | |
| print(generated_text) | |
| ``` | |
| # Generated Text | |
| ``` | |
| μΉ΄λ μ¬μ© κΈ°κ° λμ μ°μ²΄λ‘ μΉ΄λμ¬μ μ°μ²΄λ£κ° λΆκ³Όλ©λλ€. μ°μ²΄ κΈ°κ° λμ μ΄ μν κΈμ‘μ μΉ΄λμ¬λ§λ€ λ€λ₯΄λ©°, λ³΄ν΅ μμλ£λ μ΄μμ¨μ΄ λμμ§λλ€. μ°μ²΄κ° λ°μνλ©΄ μ μ© μ μμ λΆμ μ μΈ μν₯μ λ―ΈμΉκ³ , μ°μ²΄κ° λ°μνκΈ° μ¬μ΄ κ²½μ° μ μ© μ μ νλ½μ λλΉν ν° λ¬Έμ κ° λ°μν μ μμ΅λλ€. | |
| ``` | |
| ------- | |
| # Q&A | |
| <div style="font-size:0.95rem"> | |
| **Q. λΉμ¨μΉ΄λμ λν΄μ μλ €μ€**<br> | |
| A. λΉμ¨μΉ΄λλ λνλ―Όκ΅μμ κ°μ₯ ν° μ μ©μΉ΄λ λ° κ²°μ μ²λ¦¬ νμ¬ μ€ νλμ λλ€. 1982λ μ μ€λ¦½λμμΌλ©°, μ£Όμ μνλ€μ΄ μΆμνμ¬ μ€λ¦½λμμ΅λλ€. λΉμ¨μΉ΄λλ λ€μν μ μ©μΉ΄λμ 체ν¬μΉ΄λλ₯Ό λ°κΈνλ©°, NFC κ²°μ μλΉμ€λ₯Ό ν΅ν΄ μ€λ§νΈν°μ μ΄μ©ν κ°νΈ κ²°μ λ₯Ό μ 곡ν©λλ€. λν, λͺ¨λ°μΌ μ±μ ν΅ν΄ μΉ΄λ μ¬μ© λ΄μ μ‘°ν λ° ν¬μΈνΈ μ 립 κ΄λ¦¬κ° κ°λ₯ν©λλ€. | |
| **Q. λΉμ¨μΉ΄λ λνμ΄μ¬μ λν΄μ μλ €μ€** <br> | |
| A. λΉμ¨μΉ΄λμ λνμ΄μ¬λ μ΅μμμ λλ€. κ·Έλ λΉμ¨μΉ΄λμ κ²½μμ μ΄λκ³ μμΌλ©°, κ³ κ°λ€μκ² μ΅κ³ μμ€μ κΈμ΅ μλΉμ€λ₯Ό μ 곡νκΈ° μν΄ λ Έλ ₯νκ³ μμ΅λλ€. | |
| **Q. νμ΄λΆ λ¨Έλμ λν μ€λͺ ν΄μ£ΌμΈμ.** <br> | |
| A. νμ΄λΆ λ¨Έλλ νμ΄λΆ μ±μμ μ¬μ©λλ μ μμ κ°μΉννλ‘, μ 립 λ° μ¬μ©μ΄ κ°λ₯ν©λλ€. μ£Όμ μ 립 λ°©λ²μΌλ‘λ κ²°μ κΈμ‘μ μΌμ λΉμ¨(μ: 1%) μ 립, μ ν΄ κ°λ§Ήμ μμμ μΆκ° μ 립 λ±μ΄ μμΌλ©°, μ΄λ²€νΈ μ°Έμ¬λ₯Ό ν΅ν΄ μΆκ° μ 립λ κ°λ₯ν©λλ€. νμ΄λΆ λ¨Έλλ μΌλΆ μν ꡬ맀λ ν μΈ ννμΌλ‘λ μ¬μ©ν μ μμ΅λλ€. | |
| **Q. μΉ΄λ μ°μ²΄νλ©΄ μ΄λ»κ² λΌ? λ μ κ°κ³ μΆμ΄. μ κ°μμΌ νλμ§ μμΈν λ§ν΄λ΄.** <br> | |
| A. μΉ΄λ μ°μ²΄ μμλ μ°μ²΄λ£κ° λΆκ³Όλλ©°, μ μ©λ±κΈμ΄ νλ½ν μ μμ΅λλ€. λν, κΈμ΅κΈ°κ΄μ λ°λΌ μ±κΆ λ³μ μꡬμλ₯Ό λ°μ‘λ°μ μ μμΌλ©°, μ±λ¬΄ λΆμ΄ν μ λ²μ μ‘°μΉκ° μ·¨ν΄μ§ μ μμ΅λλ€. μ΄ κ²½μ° λ²μμμ μ±λ¬΄μμ μμ° μλ₯ λ±μ μ²λΆ μ μ°¨κ° μ§νλ μ μμΌλ―λ‘, μ°μ²΄ λ°μ μ¦μ μν κ³νμ μ¬μ‘°μ νκ³ μΉ΄λμ¬μμ νμλ₯Ό ν΅ν΄ λ¬Έμ λ₯Ό ν΄κ²°νλ κ²μ΄ μ€μν©λλ€. | |
| **Q. μΉ΄λ ν λΆλ₯Ό νλλ° κ²°μ ν κ°λ§Ήμ μ΄ λ§νμ΄. 보μ λ°μ μ μμ΄?** <br> | |
| A. ν λΆ κ²°μ μμλ λμΌν λ³΄μ¦ μ‘°κ±΄μ΄ μ μ©λ©λλ€. λ§μ½ κ°λ§Ήμ μ΄ νμ°νκ±°λ ν΄μ²΄νλ€λ©΄, μΉ΄λμ¬λ ν΄λΉ κΈμ‘μ 보μν΄μ€λλ€. μ΄ κ²½μ°, μΉ΄λμ¬μ ν΄μ§ μ¬μ€μ μλ¦¬κ³ κ΄λ ¨ μ¦λΉ μλ₯λ₯Ό μ μΆν΄μΌ ν©λλ€. | |
| **Q. μΌμ΄λ± ν¬μ λν΄μ μλ €μ€** <br> | |
| A.μΌμ΄λ± ν¬λ λνλ―Όκ΅μ λνμ μΈ μΈν°λ· μ λ¬Έ μνμ λλ€. 2018λ μ μ€λ¦½λ ν, μ μ©μΉ΄λ, 체ν¬μΉ΄λ λ°κΈ μΈμλ λͺ¨λ°μΌ λ± νΉ μλΉμ€λ₯Ό ν΅ν΄ λ€μν κΈμ΅ μνμ μ 곡νκ³ μμ΅λλ€. νΉν κ°νΈν λμΆ μ μ²κ³Ό λμ κΈλ¦¬λ₯Ό μ 곡νμ¬ λ§μ κ³ κ°λ€μκ² μΈκΈ°λ₯Ό λκ³ μμ΅λλ€. | |
| **Q. IBKκΈ°μ μνμ λν΄μ μλ €μ€** <br> | |
| A. IBKκΈ°μ μνμ λνλ―Όκ΅μμ κ°μ₯ ν° κΈμ΅κΈ°κ΄ μ€ νλμ λλ€. μ΄ μνμ 1961λ μ μ€λ¦½λμμΌλ©°, κΈ°μ κ³Ό μλΉμ λͺ¨λμκ² λ€μν κΈμ΅ μλΉμ€λ₯Ό μ 곡ν©λλ€. μ£Όμ μλΉμ€λ‘λ λμΆ, μκΈ, ν¬μ μλ¬Έ λ±μ΄ μμΌλ©°, νΉν μ€μκΈ°μ μ μν κΈμ΅ μ§μ νλ‘κ·Έλ¨μ΄ λ§€μ° νλ°ν©λλ€. | |
| **Q. IBKκΈ°μ μνμ μ£Όμ κΈμ΅μνμ λν΄μ μ€λͺ ** <br> | |
| A. IBKκΈ°μ μνμ μ£Όμ κΈμ΅μνμλ λ€μν λμΆ μν, ν¬μ μν, μΈν κ±°λ μλΉμ€ λ±μ΄ ν¬ν¨λ©λλ€. μ€μκΈ°μ κ³Ό μμ곡μΈμ μν λ§μΆ€ν λμΆ μνμ μ 곡νλ©°, κΈ°μ μ μκΈ μ‘°λ¬μ μ§μν©λλ€. λν, μ£Όμ κ±°λ, μ±κΆ ν¬μ λ±μ κΈμ΅μνμ ν΅ν΄ κ³ κ°μ μμ° μ¦μμ λμ΅λλ€. μΈν κ±°λ μλΉμ€λ₯Ό ν΅ν΄ κΈλ‘λ² μμ₯μμμ μ μ°μ±μ λμΌ μ μμ΅λλ€. | |
| **Q. μ°μ²΄κ΅μ λν΄μ μλ €μ€** <br> | |
| A. μ°μ²΄κ΅μ μ λΆκ° μ΄μνλ 곡곡기κ΄μΌλ‘, μ°νΈ μλΉμ€λ₯Ό μ 곡νλ μ£Όμ μν μ ν©λλ€. λν μκΈ, μ κΈ, 보ν λ± λ€μν κΈμ΅ μνμ νλ§€νλ©°, μ‘κΈ μλΉμ€λ μ 곡ν©λλ€. μ°μ²΄κ΅μμλ λ€μν ν¬μΈνΈ μ 립 λ° ν μΈ ννμ΄ μλ μνλ€μ νλ§€νκ³ μμ΅λλ€. | |
| **Q. ν΄μΈμ¬νμ κ°λλ° ννμ΄ μ’μ μΉ΄λ μΆμ²ν΄μ€** <br> | |
| A. ν΄μΈμ¬νμ μμ£Ό κ°μ λ€λ©΄ BC λ°λ‘ μμ΄ νλ¬μ€ μμμλ μΉ΄λλ₯Ό μΆμ²λ립λλ€. μ΄ μΉ΄λλ ν΄μΈκ²Έμ©μΌλ‘ MasterCardλ₯Ό λ°κΈλ°μ μ μμΌλ©°, ν΄μΈμμ μ¬μ© μ 1% κΈ°λ³Έ λ§μΌλ¦¬μ§ μΈμ 1.2% μΆκ° λ§μΌλ¦¬μ§λ₯Ό μ 립ν΄μ€λλ€. μ°νλΉλ 19,000μμ΄λ©°, μ μ μ€μ μμ΄λ ννμ λ°μ μ μμ΄ λΆλ΄ μμ΄ λ§μ ννμ λ릴 μ μμ΅λλ€. | |
| **Q. KT ν΅μ μκΈμ μ 리ν ννμ΄ μ’μ μΉ΄λ μΆμ²ν΄μ€** <br> | |
| A. KT Super ν λΆμΉ΄λλ μ μ μ€μ 30λ§μ μ΄μ μ μ΅λ 24,000μκΉμ§ ν΅μ μκΈ ν μΈμ λ°μ μ μμ΅λλ€. μ΄ μΉ΄λμ μ₯μ μ KT λ¨λ§κΈ° λμ¬ λ° μ²κ΅¬ν μΈ ννμ΄ ν¬ν¨λμ΄ μμ΄, KT μ¬μ©μμκ² λ§€μ° μ 리ν©λλ€. | |
| **Q. μΌμ΄λ± ν¬μμ λμΆμ λ°κ³ μΆμλ°, μΉ΄λλ‘ 300λ§μμ λ°μμ΄, λμΆμ λ―ΈμΉλ μν₯μ λν΄μ μλ €μ€** <br> | |
| A. μΌμ΄λ± ν¬ μΉ΄λλ‘ 300λ§μμ λ€λ₯Έ κΈμ΅κΈ°κ΄μ λμΆμ ν©μ°νμ¬ κ³μ°ν©λλ€. μλ₯Ό λ€μ΄, μ μ©λμΆ 200λ§μμ μΆκ°νλ©΄ μ΄ λμΆ νλκ° μ΄κ³Όλ μ μμΌλ©°, μ μ©λ±κΈμ΄ νλ½ν κ°λ₯μ±μ΄ ν½λλ€. λ°λΌμ μΌμ΄λ± ν¬ μΉ΄λλ‘ μΈμ λ€λ₯Έ κΈμ΅κΈ°κ΄μμ λμΆμ λ°λλ€λ©΄, μ΄ μΉ΄λλ‘ κΈμ‘λ ν¬ν¨λμ΄ κ³μ°λλ μ°Έκ³ ν΄μ£ΌμΈμ. | |
| ------- | |
| **Q. K-ν¨μ€ μΉ΄λμ λν΄μ μμΈν μλ €μ€** <br> | |
| A. **K-ν¨μ€ μΉ΄λλ 무μμΈκ°μ?** | |
| K-ν¨μ€ μΉ΄λλ λμ€κ΅ν΅ μ΄μ©μ μ΄μ§νκΈ° μν΄ μ€λ¦½λ μΉ΄λλ‘, νλΆκ΅μ°¨μ λ¨λ§κΈ°λ₯Ό μ΄μ©ν λ κ²°μ ν λ ν μΈ ννμ μ 곡ν©λλ€. μ΄ μΉ΄λλ λ§ 19μΈ μ΄μμ μ±μΈλ€μ΄ λ°κΈλ°μ μ μμΌλ©°, μ μ μ€μ μ΄ 30λ§μ μ΄μμ΄μ΄μΌ ν©λλ€. | |
| **K-ν¨μ€ μΉ΄λμ μ£Όμ ννμ 무μμΈκ°μ?** | |
| 1. **νλΆκ΅μ°¨μ λ¨λ§κΈ° ν μΈ**: νλΆκ΅μ°¨μ λ¨λ§κΈ°λ₯Ό μ΄μ©ν κ²½μ° λ§€μ μ΅λ 3μ²μκΉμ§ ν μΈμ λ°μ μ μμ΅λλ€. | |
| 2. **λμ€κ΅ν΅ ν΅ν© νλ**: μ μ μ€μ μ λ°λΌ μ ν΅ν© ν μΈ νλκ° μ€μ λ©λλ€. | |
| - μ€μ 30λ§μ μ΄μ: μ΅λ 4μ²μ | |
| - μ€μ 70λ§μ μ΄μ: μ΅λ 6μ²μ | |
| 3. **νΈμμ λ° μ¨λΌμΈ μΌν ν μΈ**: νΈμμ μμ ꡬ맀 μ μ΅λ 5% ν μΈμ΄ κ°λ₯νλ©°, μ¨λΌμΈ μΌν μ μ΅λ μ²κ΅¬κΈμ‘μ 5% ν μΈμ΄ μ μ©λ©λλ€. | |
| **κΈ°ν μ μ©ν μ 보λ 무μμΈκ°μ?** | |
| 1. **μ°νλΉ:** κ΅λ΄ μ μ© μ°νλΉλ μ½ λ§ μμ΄λ©°, ν΄μΈ κ²Έμ© μ°νλΉλ μ½ λ§ μμ λλ€. | |
| 2. **κ°μ‘±μΉ΄λ λ°κΈ:** κ°μ‘±μΉ΄λλ₯Ό μ μ²ν μ μμΌλ©°, λμΌν ννμ΄ μ μ©λ©λλ€. | |
| 3. **νκΈμλΉμ€μ κ΄λ ¨λ μ¬ν:** νκΈμλΉμ€λ₯Ό ν΅ν΄ λμΆ κΈμ‘μ λν΄μ λ³λμ μμλ£μ μ΄μκ° λΆκ³Όλ μ μμ΅λλ€. | |
| μ΄λ¬ν ννλ€κ³Ό 쑰건λ€μ κ³ λ €νμ¬ K-ν¨μ€ μΉ΄λλ₯Ό νμ©νλ κ²μ΄ μ’μ΅λλ€! | |
| ------- | |
| **Q. νκΈ 500λ§μ νλλ‘ ν¬μνμ¬μ 3λ μμ λΉ λ₯΄κ² 1μ²λ§μμΌλ‘ λ§λλ ꡬ체μ μΈ μμΉμ λ°©λ²μ μ μ** <br> | |
| A. | |
| 1. **ν¬μ κΈμ‘:** 500λ§μ | |
| 2. **ν¬μ κΈ°κ°:** 3λ | |
| 3. **μμ μμ΅λ₯ :** μ° 20% | |
| 4. **μμ μ΄μ΅:** 500λ§μ x μ° 20% = μ½ 100λ§μ/λ Γ 3λ = μ½ 300λ§μ | |
| **ꡬ체μ μΈ λ°©λ²:** | |
| - λ§€λ¬ μκΈμΌμ κ°κ°μ μνμ κ°κ°μ κΈμ‘μ ν¬μνμ¬ λΆμ° ν¬μλ₯Ό ν©λλ€. | |
| - A μν: λ§€μ μ΅λ νλμΈ λ§μμ© μ΄μ‘μ΄ λ°±λ§ μμΈ KODEX CD/μΊνΌν ETF(ν΄λΉμΌ κΈ°μ€) λ±μΌλ‘ ν¬μν©λλ€. | |
| - B μν: λ§€μ μ΅λ νλμΈ λ§μμ© μ΄μ‘μ΄ λ°±λ§ μμΈ KODEX TDF2030(ACTIVELY MANAGED)(ν΄λΉμΌ κΈ°μ€) λ±μΌλ‘ ν¬μν©λλ€. | |
| - C μν: λ§€μ μ΅λ νλμΈ λ§μμ© μ΄μ‘μ΄ λ°±λ§ μμΈ KODEX MSCI WORLD DR ETF(ν΄λΉμΌ κΈ°μ€) λ±μΌλ‘ ν¬μν©λλ€. | |
| λ°λΌμ, μμ κ°μ λ°©λ²μ ν΅ν΄ μμ μ΄μ΅μ μ½ μ²λ§μμ μ΄λ₯Ό μ μμ΅λλ€. | |
| **Q. μ° μ΄μ¨ 4.5%μ μ κΈμ΄ μλλ° λ§€λ¬ 15λ§μμ© λ©μνλ©΄ 12κ°μκ° μ΄ μ΄μ μμ΅μ?** <br> | |
| A. μ κΈμ λ§€λ¬ μΌμ κΈμ‘μ μ μΆνμ¬ λ§κΈ° μ μκΈκ³Ό ν¨κ» μ΄μλ₯Ό λ°λ μνμ λλ€. μ° μ΄μ¨ 4.5%λ‘ κ³μ°ν κ²½μ°, λ§€λ¬ 15λ§μμ© 12κ°μ λμ λ©μ νλ©΄ λ€μκ³Ό κ°μ΅λλ€: | |
| - μ΄ λ©μ μ‘: \( 15 \times 12 = 180 \)λ§μ | |
| - μ΄μ κ³μ°μ: μκΈ Γ μ΄μ¨ Γ κΈ°κ° | |
| - \( 180 \)λ§μ Γ \( \frac{4.5}{12} \) Γ 1λ = \( 90,000 \)μ | |
| λ°λΌμ, μ΄ μ΄μ μμ΅μ μ½99λ§μμ λλ€. | |
| **Q. 40λ μ΄νλΆν°, 50λ, 60λλ³λ‘ 건κ°νκ² μ΄λ €λ©΄?** <br> | |
| A. 40λ μ΄νλΆν° 50λ, 60λ μ΄μμ 건κ°ν μΆμ μ μ§νκΈ° μν΄μλ μ κΈ°μ μΈ κ±΄κ° κ²μ§κ³Ό 체λ ₯ λ¨λ ¨μ΄ μ€μν©λλ€. νΉν, λ§μ± μ§ν μλ°©κ³Ό μ¬νκ΄ κ±΄κ° κ΄λ¦¬κ° νμν©λλ€. | |
| - **μ κΈ°μ μΈ κ±΄κ° κ²μ§:** λ§€λ λλ μ κΈ°μ μΌλ‘ 체κ³μ μΈ κ±΄κ° κ²μ§μ λ°λ κ²μ΄ μ€μν©λλ€. μ΄λ λ§μ± μ§νμ μ‘°κΈ°μ λ°κ²¬κ³Ό μλ°©μ λμμ΄ λ©λλ€. | |
| - **체λ ₯ λ¨λ ¨:** μ΄λμ λ€μν μ°λ ΉμΈ΅μκ² μ€μν μμμ λλ€. 40λ μ΄νλ‘λ μ μ°μ±μ μ μ§νκ³ μ¬νκ΄ κ±΄κ°μ μ±κΈ°λ μ΄λμ΄ μ€μνλ©°, 50λ μ΄μμ μ μ°¨μ κ°λ κ°μμ μμ μ±μ μ€μνλ μ΄λ νλ‘κ·Έλ¨μ΄ νμν©λλ€. | |
| - **건κ°ν μμ΅κ΄:** κ· ν μ‘ν μλ¨μ νμ μ€μνλ°, νΉν μ΄ λμ΄λμ λ§μ± μ§ν μλ°©μ ν° λμμ΄ λ©λλ€. μ μ ν μ±μμ κ³ΌμΌ, κ·Έλ¦¬κ³ μ μ§λ°© μν μ€μ¬μΌλ‘ μμ¬λ₯Ό νλ κ²μ΄ μ’μ΅λλ€. | |
| - **μ€νΈλ μ€ κ΄λ¦¬:** μ€νΈλ μ€ κ΄λ¦¬ μμ μ€μν μμμ λλ€. λͺ μμ΄λ νΈν‘ νλ ¨ λ± μ€νΈλ μ€λ₯Ό μ€μ΄λ λ°©λ²μ κΎΈμ€ν μ€μ²νλ κ²μ΄ μ’μ΅λλ€. | |
| μλ₯Ό λ€μ΄: | |
| - μκ° ν λ²μ© λ³μμμ μ κΈ°μ μΈ μ²΄ν¬μ μ λ°κ³ νμν μΉλ£λ μ‘°μΈμ λ°μκ°λ κ²λ μ€μν©λλ€. | |
| - μ£ΌλΉ μ΅μ ν μκ° μ λμ κ·μΉμ μΈ μ΄λμ΄λ μ μ°μλ₯Ό ν΅ν΄ 체λ ₯μ μ μ§νκ³ κ°μ ν μ μμ΅λλ€. | |
| - μΌμ£ΌμΌμ λͺ λ² μ λλ μ μ ν μ±μλ₯Ό λ§μ΄ μμ·¨νκ³ κ°μμ λμ ν΄ κ³ΌμΌμ΄λ 견과λ₯λ₯Ό λ¨Ήμ΄μ£Όλ μ΅κ΄μ΄ μ’μ΅λλ€. | |
| λ°λΌμ λͺ¨λ μ°λ ΉμΈ΅μμ λμΌνκ² μ μ©λλ κΈ°λ³Έ μμΉμΈ μ κΈ°μ μ΄κ³ κ· ν μ‘ν μν μ΅κ΄μ΄ 건κ°νκ² μ΄λ €λ©΄ νμμ μ λλ€ . | |
| ---------- | |
| **Q. μ€λμ 무μμ μν΄ μ΄μμΌ ν©λκΉλ₯Ό μμ΄λ‘** <br> | |
| A. Today is to live for what. | |
| **Q. 건κ°νκ² μ΄κΈ° μν΄μλ κ· ν μ‘ν μλ¨μ μ μ§νκ³ , κ·μΉμ μΈ μ΄λμ νλ κ²μ΄ μ€μν©λλ€. μΆ©λΆν μλ©΄μ μ·¨νκ³ , μ€νΈλ μ€λ₯Ό κ΄λ¦¬νλ κ²λ 건κ°μ ν° μν₯μ λ―ΈμΉ©λλ€. μ κΈ°μ μΈ κ±΄κ° κ²μ§μ ν΅ν΄ μ§λ³μ μ‘°κΈ°μ λ°κ²¬νκ³ , κ΄λ¦¬νλ κ²λ μ€μν©λλ€. μ΄κ²μ μμ΄λ‘ λ²μ** <br> | |
| A. Maintaining a balanced diet, regular exercise, sufficient sleep, stress management and regular health check-ups are all crucial for maintaining good health. | |
| **Q. λ€μμ λ¬Έμ₯λ€μ μμ΄λ‘ λ²μν΄μ€. μΉ΄λ μ°μ²΄λ κΈμ΅ κ±°λμ ν° λΆμ΄μ΅μ μ΄λν μ μμ΅λλ€. μ°μ²΄κ° λ°μνλ©΄ μ μ©λ±κΈμ΄ ν¬κ² νλ½νκ² λλ©°, μ΄λ μ΄ν λμΆ μ μ² μ κ±°μ λΉνκ±°λ λΆλ¦¬ν 쑰건μ λ°λ κ²°κ³Όλ₯Ό μ΄λν μ μμ΅λλ€. λν, μΉ΄λμ¬λ‘λΆν° κ³ κΈλ¦¬ λμΆμ΄λ κΈ°ν λΆμ±μ μ μμ λ°μ κ°λ₯μ±μ΄ λμ΅λλ€.** <br> | |
| A. Card payment delay can lead to significant financial disadvantage. If a delay occurs, the credit rating will drop significantly, which may result in loan applications being rejected or receiving unfavorable terms. Additionally, it is likely that high-interest loans or other debt offers from the card issuer will be received. | |
| </div> | |
| ## Correspondence to | |
| - Taeyoung Lee (sh2orc@gmail.com) | |
| ## License | |
| The use of this model is governed by the [META LLAMA 3 COMMUNITY LICENSE AGREEMENT](https://llama.meta.com/llama3/license/) | |
| ## Citation | |
| If you use this model in your research, please cite it as follows: | |
| ```bibtex | |
| @misc{alpha-instruct, | |
| author = {BCCard}, | |
| title = {BCCard Korean Financial Knowledge Model}, | |
| year = {2024}, | |
| publisher = {Hugging Face}, | |
| journal = {Hugging Face repository}, | |
| url = {https://huggingface.co/BCCard/Llama-3.1-Kor-BCCard-Finance-8B}, | |
| } |