Card: separate E0, K2-only and routed columns; note 6/200 demo names routed to E0

MODEL_CARD.ko.md

@@ -43,7 +43,9 @@ top10 = np.argsort(-(q @ image_vectors.T), axis=1)[:, :10]
 
 **모델 단독 R@10**
 
-| 질의 세트 | n | E0 | 이전 K1 | **K2** | 기본 라우팅 | 교사(1.5 GB) |
+호출 방식 세 가지를 나눠 적었습니다. 모든 질의를 E0 로 보낸 값, 모든 질의를 K2 로 보낸 값, 기본 자동 라우팅(한글이 있으면 K2, 없으면 E0) 값입니다.
+
+| 질의 세트 | n | E0 만 (`route="en"`) | 이전 K1 | **K2 만 (`route="ko"`)** | 자동 라우팅(기본) | 교사(1.5 GB) |
 |---|---|---|---|---|---|---|
 | Q-TITLE-ko: 한국어 상품명(ABO 한국어 리스팅) | 889 | 0.368 | 0.231 | **0.645** | 0.643 | 0.682 |
 | kobench: ABO 속성 기반 한국어 템플릿 질의 | 173 | 0.104 | 0.069 | **0.318** | 0.318 | 0.491 |
@@ -54,11 +56,12 @@ top10 = np.argsort(-(q @ image_vectors.T), axis=1)[:, :10]
 - **한국어 상품명에서 K2 는 E0 보다 R@10 이 0.277 높습니다** [+0.243, +0.309](상품 유형 군집 150개). 이번 공개의 근거가 이 결과입니다.
 - kobench 에서도 K2 − E0 는 +0.214 [+0.113, +0.315] 입니다. 다만 상품 유형 군집이 24개뿐이라 판정 기준(30개)에 못 미쳐 "불확실"로 둡니다.
 - K-Fashion(한국어 패션 속성, 학습 분포 안, P@1, n = 626)에서는 E0 0.005, 이전 K1 **0.403**, K2 0.289 입니다. **이 세트에서는 K2 가 이전 한국어 모델보다 낮습니다.**
+- Q-TITLE-ko 에서 자동 라우팅(0.643)이 K2 만 쓴 값(0.645)보다 조금 낮습니다. ABO 한국어 리스팅 이름 가운데 실제로는 영어로 적힌 것(한글 없음)이 E0 로 가기 때문입니다.
 - 영어 상품명은 그대로이고(−0.001 [−0.009, +0.008]), 리스팅 키워드는 조금 낮아졌습니다(−0.018 [−0.030, −0.006]). 실제 쇼핑 검색어는 오히려 올랐습니다(+0.100 [+0.059, +0.140]). 기본 라우팅은 영어를 E0 로 보내므로 영어 수치는 E0 와 같습니다. 영어 트래픽이 ESCI 와 비슷하다면 `route="ko"` 를 검토해 보세요.
 
 **BM25 와 결합**(두 상위 10개 목록을 RRF, k = 60 으로 합침. 한국어 질의의 BM25 색인은 상품의 한국어·영어 이름)
 
-| 질의 세트 | BM25 R@1 | BM25 R@10 | BM25 + K2 R@1 | BM25 + K2 R@10 |
+| 질의 세트 | BM25 R@1 | BM25 R@10 | BM25 + K2 만 R@1 | BM25 + K2 만 R@10 |
 |---|---|---|---|---|
 | Q-TITLE-ko | 0.911 | 0.993 | 0.703 | 0.991 |
 | kobench | 0.139 | 0.405 | 0.179 | 0.468 |
@@ -69,6 +72,8 @@ top10 = np.argsort(-(q @ image_vectors.T), axis=1)[:, :10]
 - ESCI(영어)에서는 K2 를 결합하면 BM25 보다 R@10 이 +0.141 [+0.105, +0.181] 오릅니다.
 - 이 모델의 쓰임새는 두 가지입니다. 상품 목록에 맞는 한국어 텍스트가 없을 때 한국어 검색어로 **상품 이미지**를 찾는 것, 그리고 키워드 검색의 상위 10개 후보를 넓히는 것입니다. 첫 결과를 정하는 순위 모델로 쓰지 마세요.
 
+설치 확인(성능 지표 아님): 깨끗한 환경에서 이 저장소를 내려받아 ABO 개발 상품 200개(상품 군집마다 1개)로 EmbeddingGemma 2 색인을 만들고, 그 상품들의 한국어 이름으로 기본 라우팅 검색을 했습니다. 200개 중 194개는 이름에 한글이 있어 K2 로 갔고, 나머지 6개는 한국어 리스팅 이름이 영어로 적혀 있어(예: "AmazonBasics Hanging Planter, Square") E0 로 갔습니다. 결과는 R@1 0.63, R@10 0.95 입니다. 영어 이름(전부 E0)으로는 R@1 0.83, R@10 1.00 입니다. 풀이 작아서 이 값은 파일이 제대로 불러와지고 검색된다는 확인일 뿐입니다. 품질은 위 표를 보세요.
+
 질의 길이: Q-TITLE-ko 질의의 27.8% 가 예전 64 토큰 한도를 넘었고, 77 토큰을 넘는 질의는 10.8% 입니다. K2 는 이런 질의에서 앞 57 토큰과 끝 20 토큰을 남기므로 끝에 붙는 색상·크기·수량 표현이 잘리지 않습니다.
 
 ## 주장하지 않는 것

README.md

@@ -79,7 +79,9 @@ All numbers are from development sets. Two of them, Q-TITLE-ko and kobench, were
 
 **Model alone, R@10**
 
-| Query set | n | E0 | earlier K1 | **K2** | Routed (default) | Teacher (1.5 GB) |
+Three ways to call the release are reported separately: E0 for every query, K2 for every query, and the default routing (Hangul → K2, otherwise E0).
+
+| Query set | n | E0 only (`route="en"`) | earlier K1 | **K2 only (`route="ko"`)** | Automatic routing (default) | Teacher (1.5 GB) |
 |---|---|---|---|---|---|---|
 | Q-TITLE-ko: Korean product names (ABO Korean listings) | 889 | 0.368 | 0.231 | **0.645** | 0.643 | 0.682 |
 | kobench: Korean template queries over ABO attributes | 173 | 0.104 | 0.069 | **0.318** | 0.318 | 0.491 |
@@ -90,11 +92,12 @@ All numbers are from development sets. Two of them, Q-TITLE-ko and kobench, were
 - **Korean product names: K2 − E0 = +0.277 [+0.243, +0.309] R@10** (150 product-type clusters). This is the result the release rests on.
 - kobench: K2 − E0 = +0.214 [+0.113, +0.315], but kobench has only 24 product-type clusters, below the 30 we require for a firm call, so we label it uncertain.
 - K-Fashion (Korean fashion attributes, in-distribution, P@1, n = 626): E0 0.005 · earlier K1 **0.403** · K2 0.289. **K2 is worse than the earlier Korean model here.**
+- Automatic routing on Q-TITLE-ko (0.643) is slightly below K2 only (0.645) because some ABO Korean-listing names are actually English text (no Hangul) and are sent to E0.
 - English: unchanged on product names (−0.001 [−0.009, +0.008]), lower on listing keywords (−0.018 [−0.030, −0.006]), higher on real shopping queries (+0.100 [+0.059, +0.140]). The default routing sends English queries to E0, so it gives E0's English numbers. Use `route="ko"` if your English traffic looks like ESCI.
 
 **Fused with BM25** (reciprocal rank fusion of the two top-10 lists, k = 60; BM25 over the product title text, Korean + English names for Korean queries)
 
-| Query set | BM25 R@1 | BM25 R@10 | BM25 + K2 R@1 | BM25 + K2 R@10 |
+| Query set | BM25 R@1 | BM25 R@10 | BM25 + K2 only R@1 | BM25 + K2 only R@10 |
 |---|---|---|---|---|
 | Q-TITLE-ko | 0.911 | 0.993 | 0.703 | 0.991 |
 | kobench | 0.139 | 0.405 | 0.179 | 0.468 |
@@ -105,6 +108,8 @@ All numbers are from development sets. Two of them, Q-TITLE-ko and kobench, were
 - ESCI (English): fusion with K2 adds +0.141 [+0.105, +0.181] R@10 over BM25.
 - What the model is for: searching **product images** with Korean queries when the catalog lacks matching Korean text, and widening a keyword search's top 10. It is not a first-result ranker.
 
+Install check (not a benchmark): in a clean environment we downloaded this repository, built an EmbeddingGemma 2 index of 200 ABO development products (one per product cluster) and searched it with their Korean names using the default routing. 194 of the 200 names contain Hangul and went to K2; the other 6 Korean-listing names are English text (for example "AmazonBasics Hanging Planter, Square") and went to E0. Result: R@1 0.63, R@10 0.95. With English names (all routed to E0): R@1 0.83, R@10 1.00. The pool is tiny, so these numbers only show the files load and search correctly; use the table above for quality.
+
 Query length: on Q-TITLE-ko, 27.8% of queries exceeded the old 64-token limit and 10.8% exceed 77. K2 keeps the first 57 and last 20 tokens of those, so trailing colour, size or quantity words are not cut off.
 
 ## Not claimed