Update KAWK 500M Instruct model card

README.md

@@ -0,0 +1,88 @@
+---
+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.