model card: 칸네리 → 칵네리 표기 통일

README.md

@@ -11,14 +11,14 @@ base_model: meta-llama/Llama-3.2-1B-Instruct
 
 # RemasterPhantom
 
-파일 시그니처(매직 바이트) 무결성 검증, 칸네리 기반 암호화/복호화, 랜섬웨어 사고 대응, MASTER CANARY TLS 보호를 수행하는 **방어 전용** LLM 에이전트의 자문 모델.
+파일 시그니처(매직 바이트) 무결성 검증, 카나리 기반 암호화/복호화, 랜섬웨어 사고 대응, MASTER CANARY TLS 보호를 수행하는 **방어 전용** LLM 에이전트의 자문 모델.
 
 ## 개요
 
 Llama-3.2-1B-Instruct를 파일 시그니처 방어 전문가로 LoRA 파인튜닝한 모델이다.
 [RemasterPhantom 프레임워크](https://github.com/k4zt0/RemasterPhantom)의 에이전트(Sentinel / Canary / Master / Phantom)가 사고 판단 시 이 모델을 자문가로 사용한다.
 
-- **학습 데이터**: 5,306개 합성 지시-응답 쌍 (v4) — 매직 바이트 식별(MAGIC_DB 59종 전수 드릴), 변종 대비(ZIP/RAR/MP4 브랜드/TIFF 엔디안/Mach-O FAT), 무결성 검증 절차, 칸네리 운영, Phantom 폴리백 플레이북, TLS 보호, 공격 요청 거부 가드레일, 미등록 시그니처 "모름 인정" 보정 + 근접 hex(near-miss) 판별 데이터
+- **학습 데이터**: 5,306개 합성 지시-응답 쌍 (v4) — 매직 바이트 식별(MAGIC_DB 59종 전수 드릴), 변종 대비(ZIP/RAR/MP4 브랜드/TIFF 엔디안/Mach-O FAT), 무결성 검증 절차, 카나리 운영, Phantom 폴리백 플레이북, TLS 보호, 공격 요청 거부 가드레일, 미등록 시그니처 "모름 인정" 보정 + 근접 hex(near-miss) 판별 데이터
 - **학습 방식**: LoRA (r=16, 전체 선형층), 전체 시퀀스 SFT, bf16, 2 epoch · 완전 중복 없는 구성 (v2의 23,720개 대비 -78%, v3.1의 1,941개 대비 2.7배)
 
 ## 평가 (scripts/evaluate.py, 105문항)
@@ -38,7 +38,7 @@ v1/v2(5,880/23,720개) 대비 개선 폭: 헤더 식별 30%→90%, 미등록 질
 ```python
 from remasterphantom.agents.base import LLMAdvisor
 advisor = LLMAdvisor("k4zt0/RemasterPhantom")
-print(advisor.advise("칸네리 무결성이 무너너졌다는 신호는 무엇인가요?"))
+print(advisor.advise("카나리 무결성이 무너너졌다는 신호는 무엇인가요?"))
 ```
 
 ## 베이스 모델