README.md

---
language:
- ko
library_name: transformers
pipeline_tag: text-generation
datasets:
- Infinity08/KAWK500M-Korean-SFT-v1
tags:
- llama
- korean
- causal-lm
- instruction-tuned
- kawk
---

# KAWK 500M Korean Instruct v1

한국어 중심 말뭉치로 처음부터 사전학습한 505M 파라미터 KAWK 베이스 모델에
한국어 대화·지시 데이터로 supervised fine-tuning(SFT)을 적용한 모델입니다.

## 모델 구조

- 아키텍처: Llama 계열 decoder-only Transformer
- 파라미터: 505,350,400
- 어휘: 한국어 SentencePiece Unigram 32,000
- 레이어 / hidden / MLP: 26 / 1,280 / 3,584
- Attention / KV heads: 20 / 5 (GQA)
- 최대 문맥: 2,048토큰
- 입력·출력 임베딩 공유

## 학습

- 베이스 사전학습량: 한국어 중심 약 100억 토큰
- SFT 데이터: `Infinity08/KAWK500M-Korean-SFT-v1`
- 데이터 revision: `0a8e914359a063b916cfd9a3ee068a38ddcc1f79`
- SFT: 2 epochs, 739 optimizer steps, 약 9,080만 packed-token capacity
- Assistant 응답 토큰에만 loss 적용
- 유효 배치: 60 sequences × 2,048 tokens
- Precision / GPU: BF16 / NVIDIA A100 80GB
- Learning rate: 2e-5 → 2e-6 cosine decay
- step 700 validation loss / perplexity: 1.9786 / 7.2327
- 전체 설정과 로그: `training/`

## 사용 예시

```python
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "Infinity08/KAWK-500M-Korean-Instruct-v1"
tokenizer = AutoTokenizer.from_pretrained(repo_id, use_fast=False)
model = AutoModelForCausalLM.from_pretrained(
    repo_id,
    dtype=torch.bfloat16,
    device_map="auto",
)

messages = [{"role": "user", "content": "대한민국의 수도를 간단히 설명해줘."}]
prompt = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
    **inputs,
    max_new_tokens=128,
    do_sample=True,
    temperature=0.7,
    top_p=0.9,
    repetition_penalty=1.05,
)
new_tokens = outputs[0, inputs["input_ids"].shape[1]:]
print(tokenizer.decode(new_tokens, skip_special_tokens=True))
```

대화 템플릿은 `### 지침:`, `### 사용자:`, `### 도우미:` 역할 헤더를 사용하며
토크나이저의 `chat_template.jinja`에 포함되어 있습니다.

## 평가

KoBEST·KMMLU 0-shot 평가는 진행 중이며 완료 후 원시 결과와 요약을 `evaluation/`에 추가합니다.

## 한계

500M급 모델이므로 복잡한 추론, 정확한 사실 회상, 긴 지시 수행을 보장하지 않습니다.
SFT 데이터의 편향이나 잘못된 답을 재현할 수 있으며, 사실성·안전성·개인정보 재현에
대한 포괄적 평가가 완료되지 않았습니다. 고위험 의사결정에 사용하지 마십시오.