Multiple Choice
Transformers
Safetensors
Korean
qwen3
text-generation
korean
classification
natural-language-inference
function-calling
tool-use
calibrated
Eval Results (legacy)
text-generation-inference
Instructions to use coderecode95/KJH-Judge-4B-ko with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Transformers
How to use coderecode95/KJH-Judge-4B-ko with Transformers:
# pip install -U transformers accelerate # Load model directly from transformers import AutoTokenizer, AutoModelForCausalLM tokenizer = AutoTokenizer.from_pretrained("coderecode95/KJH-Judge-4B-ko") model = AutoModelForCausalLM.from_pretrained("coderecode95/KJH-Judge-4B-ko", device_map="auto") - Notebooks
- Google Colab
- Kaggle
File size: 12,945 Bytes
4a62dcc cca00cc 4a62dcc cca00cc 4a62dcc | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 | # KJH-Judge-4B-ko๋ ์ด๋ป๊ฒ ๋ง๋ค์๋
์ด ๋ฌธ์๋ ํ์ต ๋ชฉํ, ๋ฐ์ดํฐ ๊ตฌ์ฑ, ํ์ต ์ ๋ต, ๋ณด์ , ํ๊ฐ ๋ฐฉ๋ฒ์ ์ ๋ฆฌํ ๊ฒ์
๋๋ค. ์ฌ์ฉ๋ฒ์ [README](README.md)๋ฅผ ๋ณด์ธ์.
## 1. ๋ชฉํ: โ๊ณ ๋ฅด๋โ ๋ชจ๋ธ
์์ด์ ํธยท๊ฒ์ยท๋ถ๋ฅ ํ์ดํ๋ผ์ธ์์ ํ์ํ ํ๋จ์ ๋๋ถ๋ถ์ **์ ํด์ง ์ ํ์ง ์ค ํ๋๋ฅผ ๊ณ ๋ฅด๋ ์ผ**์
๋๋ค (์ด ๋ฌธ์๋ ์ด๋ ๋ถ์? ์ด ๋๊ธ์ ํ์ค์ธ๊ฐ? ๋ค์ ํ๋์ ๋๊ตฌ ํธ์ถ์ธ๊ฐ ๋๋ฌป๊ธฐ์ธ๊ฐ?). ์ด๋ฐ ํ๋จ์ ํฐ ์์ฑ ๋ชจ๋ธ์ ์ฐ๋ฉด ๋๋ฆฌ๊ณ ๋น์ธ๋ฉฐ, ๋ต์ด ํ์์ ๋ฒ์ด๋๊ธฐ๋ ํฉ๋๋ค.
๊ทธ๋์ ์ด ๋ชจ๋ธ์ ์ฒ์๋ถํฐ ๋ค์์ ๋ชฉํ๋ก ๋ง๋ค์์ต๋๋ค.
| ๋ชฉํ | ์ค๊ณ |
|---|---|
| ๋น ๋ฅด๊ฒ | ๊ธ์ ์์ฑํ์ง ์๋๋ค. ํ๋กฌํํธ๋ฅผ ํ ๋ฒ ๊ณ์ฐํ๊ณ ๋ค์ ํ ํฐ์ ๋ณด๊ธฐ ๊ธฐํธ(A, B, โฆ) ์ ์๋ง ์ฝ๋๋ค |
| ๋ต์ด ํญ์ ๋ณด๊ธฐ ์ค ํ๋ | ๋ณด๊ธฐ ๊ธฐํธ ํ ํฐ๋ผ๋ฆฌ๋ง softmax ํ๋ค |
| ํ๋ฅ ์ ๋ฏฟ์ ์ ์๊ฒ | ํ์ต ํ ๊ฒ์ฆ์
์ผ๋ก ์จ๋๋ฅผ ๋ง์ถฐ(temperature scaling) ํ๋ฅ ์ ๋ณด์ ํ๋ค |
| ๋ณด๊ธฐ ์์์ ํ๋ค๋ฆฌ์ง ์๊ฒ | ํ์ต ๋ฐ์ดํฐ์ ๊ฐ์ ๋ฌธํญ์ ์ ํํ ๊ฑฐ๊พธ๋ก ๋์ ์์๋ก๋ ๋ฃ๋๋ค |
| ์ฒ์ ๋ณด๋ ์ง์๋ฌธ๋ ๋ฐ๋ฅด๊ฒ | 13๊ฐ ์ถ์ฒ์ ์๋ก ๋ค๋ฅธ ๊ณผ์ ๋ฅผ ๊ฐ์ ํ์(๊ณผ์ ์ค๋ช
+ ํญ๋ชฉ + ๋ณด๊ธฐ)์ผ๋ก ์์ด ํ์ตํ๋ค |
## 2. ์๋ณธ ๋ชจ๋ธ
[Qwen/Qwen3-4B](https://huggingface.co/Qwen/Qwen3-4B) (4.02B, 36์ธต, Apache 2.0). ํ๊ตญ์ด๋ฅผ ํฌํจํ ๋ค๊ตญ์ด ์ฌ์ ํ์ต์ด ๋์ด ์๊ณ , ํฌ๊ธฐ๊ฐ GPU ํ ์ฅ์์ ๋น ๋ฅด๊ฒ ๋๋ฆฌ๊ธฐ ์ข์ต๋๋ค.
์๋ณธ ๋ชจ๋ธ์ ์ด ํ๋กฌํํธ ํ์ ๊ทธ๋๋ก ์ฐ๋ฉด ๋ณด๊ธฐ ๊ธฐํธ ๋์ ์๊ฐ(`<think>`)๋ถํฐ ์์ํ๋ ค ํด์, ์ด ์ฑ์ ๋ฐฉ์์ผ๋ก๋ Korean JEV Benchmark์์ 29.6%(๋ฌด์์ 29.9%)์์ต๋๋ค. ์๋ณธ์ ์ค๋ ฅ์ด ๊ทธ ์ ๋๋ผ๋ ๋ป์ด ์๋๋ผ, **์ด ํ์์ผ๋ก ๋ฐ๋ก ๋ตํ๋๋ก ๋ง์ถฐ ์ฃผ๋ ๊ฒ**์ด ํ์ต์ ์ฒซ ๋ฒ์งธ ์ญํ ์ด๋ผ๋ ๋ป์
๋๋ค.
## 3. ํ์ต ๋ฐ์ดํฐ ๊ตฌ์ฑ
### 3.1 ์ถ์ฒ์ ์
๊ณต๊ฐ ๋ฐ์ดํฐ 10๊ฐ์ ์์ฒด ํฉ์ฑ 3๊ฐ, ๋ชจ๋ **ํ์ต ๋ถํ ๋ง** ์ผ์ต๋๋ค.
| ์์ญ | ๋ฐ์ดํฐ | ํ์ต ๋ฌธํญ | ๋ณด๊ธฐ ์ | ๋ผ์ด์ ์ค |
|---|---|---:|---|---|
| ๋ฌธ์ฅ ๊ด๊ณ | KLUE NLI | 15,000 | 3 | CC BY-SA 4.0 |
| ๋ด์ค ์ฃผ์ | KLUE YNAT | 15,000 | 7 | CC BY-SA 4.0 |
| ์ง๋ฌธ ์/์๋์ค | KoBEST BoolQ | 3,661 | 2 | CC BY-SA 4.0 |
| ์์ธยท๊ฒฐ๊ณผ | KoBEST COPA | 2,973 | 2 | CC BY-SA 4.0 |
| ์ด์ด์ง ๋ฌธ์ฅ | KoBEST HellaSwag | 1,892 | 4 | CC BY-SA 4.0 |
| ๊ฐ์ฑ(๋ถ์ ํํ) | KoBEST SentiNeg | 3,633 | 2 | CC BY-SA 4.0 |
| ๋จ์ด ๋ป ๊ตฌ๋ณ | KoBEST WiC | 3,297 | 2 | CC BY-SA 4.0 |
| ํ์ค ํํ 3๋จ๊ณ | korean-hate-speech | 7,590 | 3 | CC BY-SA 4.0 |
| ํ์ค ํํ ์ฌ๋ถ | APEACH | 7,589 | 2 | CC BY-SA 4.0 |
| ์ฃผ์ ๋ถ๋ฅ | SIB-200 (ํ๊ตญ์ด) | 701 | 7 | CC BY-SA 4.0 |
| ์ ์ฑ
์ ๋ฐ๋ฅธ ํ๋ | ํฉ์ฑ (EnterpriseOps ํ์) | 2,026 | 7 | ์์ฒด ์์ฑ |
| ๋ฒ๋ น ์ง๋ฌธ | ํฉ์ฑ (๊ธฐํยท๋ฒ๊ธยท๊ณผํ๋ฃยท์ง์ญ ์ํ) | 2,875 | 2~11 | ์์ฒด ์์ฑ |
| ๋๊ตฌ ํธ์ถ ํ๋จ | ํฉ์ฑ (FunctionChat ํ์) | 2,907 | 4~9 | ์์ฒด ์์ฑ |
| **ํฉ๊ณ** | | **69,144๋ฌธํญ** | | |
- ์์ด ๋ง์ KLUE NLI ยท YNAT๋ 15,000๋ฌธํญ์ผ๋ก ์๋ผ ํ ๊ณผ์ ๊ฐ ํ์ต์ ๋
์ฐจ์งํ์ง ์๊ฒ ํ์ต๋๋ค.
- ์ถ์ฒ๋ง๋ค ์ต๋ 300๋ฌธํญ(์ ์ฒด 3,089๋ฌธํญ)์ ๊ฒ์ฆ์
์ผ๋ก ๋ฐ๋ก ๋ผ์ด, ํ์ต ์ค ์์ค ํ์ธ๊ณผ ํ๋ฅ ๋ณด์ ์ ์ผ์ต๋๋ค.
- **Belebele(ํ๊ตญ์ด ๋
ํด)๋ ์ผ๋ถ๋ฌ ํ์ต์ ๋ฃ์ง ์์์ต๋๋ค.** ์ฒ์ ๋ณด๋ ๊ณผ์ ์ ์ผ๋ง๋ ์ผ๋ฐํ๋๋์ง ์ฌ๊ธฐ ์ํด์์
๋๋ค (๊ฒฐ๊ณผ 86.9%).
### 3.2 ํ๋์ ํ์์ผ๋ก ํต์ผ
๋ชจ๋ ๋ฐ์ดํฐ๋ฅผ ๊ฐ์ ๋ํ ํ์์ผ๋ก ๋ฐ๊ฟจ์ต๋๋ค. ์ ๋ต์ ๋ณด๊ธฐ ๊ธฐํธ ํ ๊ธ์์
๋๋ค.
```
<|im_start|>user
๋ฌธ์ฅ์ ์ ๋ฐ์ ์ธ ๊ฐ์ ๊ทน์ฑ์ ํ๋จํ๋ค. ๋ถ์ ํํ๊ณผ ๋ฐ์ด๋ฅผ ๊ณ ๋ คํ๋ค.
text: ํ๋ฐฐ์ฌ ์ ๋ง ๋ง์์ ๋ฌ
๋ณด๊ธฐ:
A. ๊ธ์ ์ ๊ฐ์
B. ๋ถ์ ์ ๊ฐ์
์ ๋ต ๋ณด๊ธฐ์ ๊ธฐํธ ํ๋๋ง ๋ตํ์ธ์.<|im_end|>
<|im_start|>assistant
A<|im_end|>
```
๊ณผ์ ์ค๋ช
์ ๊ณผ์ ๋ง๋ค ํ๋จ ๊ธฐ์ค์ ํ๋ ๋ฌธ์ฅ ๋ด์์ต๋๋ค (์: ๋ฌธ์ฅ ๊ด๊ณ์์๋ โ์ ๋ณด๊ฐ ์๋ค๋ ์ด์ ๋ง์ผ๋ก ๋ชจ์์ ๊ณ ๋ฅด์ง ์๋๋คโ). ๊ฐ์ ํ์์ ๋ค์ํ ๊ณผ์ ์ค๋ช
์ด ์์ฌ ์์ด์, ํ์ตํ์ง ์์ ์ง์๋ฌธ๋ ๋ฐ๋ฅด๊ฒ ๋ฉ๋๋ค.
ํ์ต์ ์ด ๊ณผ์ ์ค๋ช
๊ณผ ๋ณด๊ธฐ ๋ฌธ๊ตฌ๋ [`judge.py`](judge.py)์ `TASKS`ยท`CRITERIA`์ ๊ทธ๋๋ก ๋ค์ด ์์ต๋๋ค. `judge.sentiment()`, `judge.nli()` ๊ฐ์ ๋ฉ์๋๋ ์ด ๋ฌธ๊ตฌ๋ก ํ๋กฌํํธ๋ฅผ ๋ง๋ค๊ธฐ ๋๋ฌธ์ ํ์ต ๋์ ๊ฐ์ ์กฐ๊ฑด์ผ๋ก ํ์ ํฉ๋๋ค.
### 3.3 ๋ณด๊ธฐ ์์ ์๊ธฐ์ ์ญ์ ๋ฃ๊ธฐ
- ๋ณด๊ธฐ ์์๋ ๋ฌธํญ๋ง๋ค ๋ฌด์์๋ก ์์์ต๋๋ค. ์ ๋ต ๊ธฐํธ๊ฐ A๋ B์ ๋ชฐ๋ฆฌ๋ฉด ๋ชจ๋ธ์ด ๋ด์ฉ ๋์ ์์น๋ฅผ ์ธ์ฐ๊ธฐ ๋๋ฌธ์
๋๋ค (์๋ณธ ๋ชจ๋ธ์ ์ด ํ์์์ ๊ฑฐ์ ๋ A๋ฅผ ๊ณจ๋์ต๋๋ค).
- ํ์ต ๋ฐ์ดํฐ์๋ **์์ ์์์ ๊ทธ ์ ํํ ์ญ์, ๋ ๊ฐ์ง๋ฅผ ๋ชจ๋** ๋ฃ์์ต๋๋ค (๊ทธ๋์ ํ์ต ํ์ 138,288๊ฐ). ๋ณด๊ธฐ๋ฅผ ๊ฑฐ๊พธ๋ก ๋์๋ ๊ฐ์ ๋ด์ฉ์ ๊ณ ๋ฅด๋๋ก ์ง์ ๊ฐ๋ฅด์น ๊ฒ์ด๊ณ , ๊ฒฐ๊ณผ์ ์ผ๋ก ๋ณด๊ธฐ ์์๋ฅผ ๋ค์ง์ด๋ 97.9%๊ฐ ๊ฐ์ ๋ต์ ๋
๋๋ค.
- ๋ฌธํญ๊ณผ ๊ทธ ์ญ์์ ๊ฒ์ฆ์
๋ถ๋ฆฌ ยท ์ ์ ํ์์ ํญ์ ํจ๊ป ๋จ๊ฑฐ๋ ํจ๊ป ๋น ์ง๊ฒ ํ์ต๋๋ค.
### 3.4 ํ๊ฐ ๋ฌธํญ๊ณผ ๊ฒน์น์ง ์๊ฒ (์ค์ผ ์ ๊ฑฐ)
ํ๊ฐ์ ์ธ Korean JEV Benchmark 25,418๋ฌธํญ์ ๋ฌธ์ฅยท๋ณด๊ธฐ 33,174๊ฐ๋ฅผ ์ ๊ทํํด ๋ชฉ๋ก์ ๋ง๋ค๊ณ , ํ์ต ๋ฌธํญ์ ํ๋ ์ค 10์ ์ด์์ธ ๋ฌธ์ฅ์ด ์ด ๋ชฉ๋ก์ ์์ผ๋ฉด ๊ทธ ๋ฌธํญ์ ๋บ์ต๋๋ค. ์ค์ ๋ก ๋น ์ง ๋ฌธํญ์ KoBEST COPA 44๊ฐ, WiC 30๊ฐ ๋ฑ ์์์์ต๋๋ค. ๊ฐ์ ๋ฐ์ดํฐ ์์ ์ค๋ณต๋ ํจ๊ป ๋บ์ต๋๋ค.
### 3.5 ํฉ์ฑ ๋ฐ์ดํฐ
์ ์ฑ
ยท๋ฒ๋ นยท๋๊ตฌ ํธ์ถ์ ํ๊ตญ์ด ํ์ต ๋ฐ์ดํฐ๊ฐ ๊ฑฐ์ ์์ด์ **๊ท์น์ผ๋ก ์ง์ ๋ง๋ค์์ต๋๋ค.** LLM์ด ๋ง๋ ๊ธ์ ์ฐ์ง ์์์ต๋๋ค.
| ํฉ์ฑ | ๋ง๋๋ ๋ฐฉ๋ฒ | ์ ๋ต ํ์ธ |
|---|---|---|
| ๋๊ตฌ ํธ์ถ ํ๋จ | ์ง์ด๋ธ ๋๊ตฌ 28๊ฐ(14๊ฐ ๋ฌถ์ ร 2)์ ์์ฒญ ๋ฌธ์ฅ ํ๋ก ๋ํ๋ฅผ ๋ง๋ ๋ค. ํ์ ์ธ์๊ฐ ๋ค ์์ผ๋ฉด CALL, ํ๋ ๋น ์ง๋ฉด ASK, ๋๊ตฌ ๊ฒฐ๊ณผ ์ดํยท์ง์ํ์ง ์๋ ์์ฒญยท์ก๋ด์ด๋ฉด RESPOND. ๊ฐ์ ๋ฌถ์์ ๋น์ทํ ๋๊ตฌ๋ฅผ ํจ๊ป ๋ฃ์ด ํท๊ฐ๋ฆฌ๊ฒ ํ๋ค | ๋ง๋ ๋ํ๋ฅผ ๋ค์ ์ฝ์ด ์ธ์ ๊ฐ์ด ์ค์ ๋ก ์๋์ง ๋ค์ ํ์ธ. ๋ค๋ฅด๋ฉด ๋ฒ๋ฆผ |
| ๋ฒ๋ น ์ง๋ฌธ | ์ง์ด๋ธ ๋ฒ๋ น ์กฐํญ๊ณผ ์ฌ์ค๊ด๊ณ๋ก ๊ธฐํยท๋ฒ๊ธ ์ํยท๊ณผํ๋ฃ ์ํยท์ง์ญ ์ํยท๊ฐ์ ์ง๋ฌธ์ ๋ง๋ ๋ค (์ด์ผ ๋ถ์ฐ์
, ๋ง์ผ ํด์ผ ์ฐ์ฅ, ์์ต ๊ฐ์ค ๊ฐ์ ๋ณํ ํฌํจ) | ๋ง๋ ๋ฌธ์ฅ์ ๋ค์ ํ์ฑํด ๋
๋ฆฝ์ ์ผ๋ก ๋ค์ ํ๊ณ , ๊ตฌ์ฑ ์ ๋ต๊ณผ ๋ค๋ฅด๋ฉด ๋ฒ๋ฆผ |
| ์ ์ฑ
์ ๋ฐ๋ฅธ ํ๋ | ๋ชฉํ ํ๋(๋๊ตฌ ์คํ, ์ฌ๋ฌ ๋๊ตฌ, ๋ต๋ณ, ์๋ด์ฌ ์ด๊ด, ์ ๋ณด ๋๋ฌป๊ธฐ, ์คํ ์ ํ์ธ, ๊ฑฐ์ )์ ๋จผ์ ์ ํ๊ณ , ๊ธฐ๋ณธ ๊ท์น ยท ์์ธ(์ ์ฉ ๋ฒ์ยท๋ฑ๊ธ) ยท ๊ทธ ๋ฐ์ ๊ท์น๊ณผ ๊ณ ๊ฐ ์์ฒญ์ ๋ฌด์์๋ก ๋ง๋ ๋ค. ์์ธ๊ฐ ์ค์ ๋ก ์ ์ฉ๋๋ ๋ฌธํญ๊ณผ ์ ๋๋ ๋ฌธํญ์ด ๋ฐ๋ฐ | ๊ท์น ํ์ด๊ธฐ๊ฐ ๋ชฉํ ํ๋์ ๋ด๋ ๊ฒ๋ง ๋จ๊ธฐ๊ณ , ๋ฌธ์ฅ์ผ๋ก ๋ง๋ ๋ค ์ซ์ยท์ํยท๋ฑ๊ธ์ ๋ค์ ์ฝ์ด ๋
๋ฆฝ์ ์ผ๋ก ๋ค์ ํ์ด ๋ค๋ฅด๋ฉด ๋ฒ๋ฆผ |
ํฉ์ฑ ๋ฐ์ดํฐ๋ ํ๊ฐ ๋ฌธํญ์ ์ฎ๊ธฐ์ง ์์๊ณ , ํ๊ฐ์ **๊ฐ์ ์ข
๋ฅ์ ์ง๋ฌธ**๋ง ์๋ก ๋ง๋ค์์ต๋๋ค. ๊ทธ๋์ ์ด ์ธ ์์ญ์ Korean JEV ์ ์๋ โ์์ ํ ์ฒ์ ๋ณด๋ ๊ณผ์ โ๋ผ๊ธฐ๋ณด๋ค โ๊ฐ์ ์ข
๋ฅ์ ์ ๋ฌธํญโ์ ๋ํ ์ ์์
๋๋ค.
## 4. ํ์ต ์ ๋ต
| ํญ๋ชฉ | ๊ฐ | ์ด์ |
|---|---|---|
| ๋ฐฉ๋ฒ | SFT + LoRA | ์๋ณธ์ ์ธ์ด ๋ฅ๋ ฅ์ ์งํค๋ฉด์ ํ์๊ณผ ํ๋จ ๊ธฐ์ค๋ง ๋ง์ถ๋ค |
| LoRA | r 16, ฮฑ 32, dropout 0.05, ์ฃผ์ยทMLP 7๊ฐ ๋ชจ๋ ์ ๋ถ (q, k, v, o, gate, up, down) | ํ์ ๋ง์ถ๊ธฐ + ํ๋จ ๊ธฐ์ค ํ์ต์ ์ถฉ๋ถํ ์ฉ๋ |
| **ํ์ตํ๋ ํ ํฐ** | **๋ต ๊ธฐํธ์ `<|im_end|>`๋ง** | ํ๋กฌํํธ๋ฅผ ์ธ์ฐ์ง ์๊ณ โ๊ณ ๋ฅด๊ธฐโ๋ง ๋ฐฐ์ด๋ค. ํ์ต ์์ ์ ์ฒซ ๋ฐฐ์น์์ ๋ผ๋ฒจ์ด ์ ํํ ์ด ๋ ํ ํฐ์๋ง ๊ฑธ๋ ธ๋์ง ์๋ ์ ๊ฒ |
| ์ | 13๊ฐ ์ถ์ฒ๋ฅผ ๋น์จ๋๋ก ์์ด, ๋ชจ๋ ํ์ ํ ๋ฒ ์ด์ ๋ณผ ๋๊น์ง (์ฝ 141,760ํ = 4,430 step ร 32) | ํ ์ถ์ฒ๊ฐ ๋ชฐ๋ ค ๋์ค์ง ์๊ฒ ๊ณ ๋ฅด๊ฒ ์๊ณ , ๊ฐ์ ๋ฌธํญ์ ์ฌ๋ฌ ๋ฒ ๋ฐ๋ณตํ์ง ์๋๋ค (์ผ๋ถ ํ๋ง ๋ ๋ฒ) |
| ๋ฐฐ์น | 16 ร ๊ธฐ์ธ๊ธฐ ๋์ 2 = 32 | |
| ํ์ต๋ฅ | 2e-4, cosine, warmup 3% | |
| ์ต๋ ๊ธธ์ด | 2,048 ํ ํฐ | ๋๊ตฌ ๋ชฉ๋ก์ด ๊ธด ๋ฌธํญ๊น์ง ํฌํจ |
| ์ฅ๋น | GPU 1์ฅ, ์ฝ 3.5์๊ฐ | |
| ๋ง์ง๋ง ์ฒ๋ฆฌ | LoRA๋ฅผ ์๋ณธ์ ํฉ์ณ ํ๋์ ๋ชจ๋ธ๋ก ์ ์ฅ | ์ธ ๋ ์ถ๊ฐ ๋ผ์ด๋ธ๋ฌ๋ฆฌ ์์ด ํ์ค transformers๋ก ๋ก๋ |
### ํ์ต ์ค ํ์ธ
500 step๋ง๋ค ์ฒดํฌํฌ์ธํธ๋ฅผ ์ ์ฅํ๊ณ , Korean JEV Benchmark์์ ๊ณผ๋ชฉ๋ง๋ค 40๋ฌธํญ(์ด 880๋ฌธํญ)์ ๋ฝ์ ์ ํ๋๋ฅผ ์์ต๋๋ค.
| step | 500 | 1,000 | 1,500 | 2,000 | 2,500 | 3,000 | 3,500 | 4,000 | 4,430 |
|---|---|---|---|---|---|---|---|---|---|
| ์ ์ฒด (880๋ฌธํญ) | 88.1 | 85.3 | 88.1 | 86.9 | 88.2 | 90.2 | 90.6 | 89.7 | 90.1 |
| ํ์ต ์ ํ ๊ณผ๋ชฉ (Belebele, 40๋ฌธํญ) | 77.5 | 82.5 | 85.0 | 87.5 | 82.5 | 85.0 | 90.0 | 87.5 | 87.5 |
| ๊ฒ์ฆ ์์ค | 0.194 | 0.180 | 0.161 | 0.159 | 0.182 | 0.161 | 0.161 | 0.191 | 0.186 |
500 step ๋ง์ ํ์์ ๊ฑฐ์ ๋ค ์ตํ๊ณ , ์ดํ์๋ ํ๋จ ์ ํ๋๊ฐ ์ฒ์ฒํ ์ค๋ฆ
๋๋ค. 3,000 step ์ดํ๋ ํ๋ณธ ์ค์ฐจ(ยฑ1~3%p) ์์์ ๋น์ทํด์, ํ์ต๋ฅ ์ด ๋๊น์ง ๋ด๋ ค๊ฐ ๋ง์ง๋ง ์ฒดํฌํฌ์ธํธ(4,430)๋ฅผ ์ต์ข
๋ชจ๋ธ๋ก ์ผ์ต๋๋ค.
## 5. ํ๋ฅ ๋ณด์
ํ์ต ์งํ์ ํ๋ฅ ์ ์ค์ ์ ๋ต๋ฅ ๋ณด๋ค ์ฝ๊ฐ ์์ ๋ง๋งํ์ต๋๋ค. ๊ฒ์ฆ์
3,089๋ฌธํญ์์ **ํ๋์ ์จ๋ T**๋ฅผ ์ฐพ์(์์ ๋ก๊ทธ์ฐ๋ ์ต์ํ) ๋ชจ๋ ํ์ ์ `softmax(์ ์ / T)`๋ฅผ ์๋๋ค.
| | ๋ณด์ ์ | ๋ณด์ ํ (T = 1.7179) |
|---|---|---|
| ๊ฒ์ฆ์
์์ ๋ก๊ทธ์ฐ๋ | 0.373 | 0.310 |
| ๊ฒ์ฆ์
ECE | 0.066 | **0.013** |
| Korean JEV ์ ์ฒด ECE | | 0.027 |
์จ๋ ๋ณด์ ์ ์์๋ฅผ ๋ฐ๊พธ์ง ์์ผ๋ฏ๋ก ์ ํ๋๋ ๊ทธ๋๋ก์ด๊ณ , ํ๋ฅ ๋ง ์ค์ ์ ๋ต๋ฅ ์ ๋ง์ถฐ์ง๋๋ค. ๊ทธ๋์ โํ์ 70% ๋ฏธ๋ง์ด๋ฉด ์ฌ๋์๊ฒโ์ฒ๋ผ ํ๋ฅ ์ ๊ธฐ์ค์ผ๋ก ์ธ ์ ์์ต๋๋ค.
๋ค๋ง ์ด ์จ๋๋ ํ์ต๊ณผ ๊ฐ์ ์ถ์ฒ์ ๊ฒ์ฆ์
์์ ๋ง์ถ ๊ฒ์ด๋ผ, ํ์ตํ์ง ์์ ๋ฒค์น๋งํฌ์์๋ ํ๊ท ํ์ ์ด ์ ํ๋๋ณด๋ค ๋๊ฒ ๋์์ต๋๋ค.
| ๋ฒค์น๋งํฌ | ์ ํ๋ | ํ๊ท ํ์ | ์ฐจ์ด |
|---|---:|---:|---:|
| NSMC | 85.7 | 94.9 | +9.2 |
| Korean UnSmile | 82.1 | 91.4 | +9.3 |
| KorNLI | 74.5 | 83.6 | +9.1 |
| KLUE-STS | 85.9 | 87.4 | +1.5 |
| KMMLU | 42.6 | 52.9 | +10.2 |
| HAE-RAE 1.0 | 56.1 | 57.1 | +1.0 |
๋ณด์ ์จ๋๋ [`calibration.json`](calibration.json)์ ์๊ณ [`judge.py`](judge.py)๊ฐ ์๋์ผ๋ก ์ ์ฉํฉ๋๋ค.
## 6. ํ๊ฐ
| ํ๊ฐ | ๋ฌด์์ ๋ณด๋ | ๊ฒฐ๊ณผ |
|---|---|---|
| ํ์ตํ์ง ์์ ๊ณต๊ฐ ๋ฒค์น๋งํฌ 6์ข
| ๋ค๋ฅธ ์ถ์ฒ ๋ฐ์ดํฐ์์์ ์ผ๋ฐํ | NSMC 85.7 ยท KLUE-STS 85.9 ยท UnSmile 82.1 ยท KorNLI 74.5 ยท HAE-RAE 56.1 ยท KMMLU 42.6 |
| Korean JEV Benchmark 25,418๋ฌธํญ | ํ์ตํ ๊ณผ์ ์ข
๋ฅ์ ์ ๋ฌธํญ | 90.37% (๊ฐ์ ์ถ์ฒ ํ์ต ๋ถํ ๋ก ํ์ตํ์ผ๋ฏ๋ก ๋ค๋ฅธ ๋ชจ๋ธ๊ณผ์ 0-shot ๋น๊ต ์๋) |
| ๋ณด๊ธฐ ์ญ์ ์ผ์น | ์์น๊ฐ ์๋ ๋ด์ฉ์ผ๋ก ๊ณ ๋ฅด๋์ง | 97.93% |
| ECE | ํ๋ฅ ์ ๋ฏฟ์ ์ ์๋์ง | 0.0265 |
์ฌํ ์คํฌ๋ฆฝํธ: [`eval/bench_heldout.py`](eval/bench_heldout.py) (ํ์ตํ์ง ์์ ๋ฒค์น๋งํฌ), [`eval/bench_compare.py`](eval/bench_compare.py) (๋ค๋ฅธ ๋ชจ๋ธ๊ณผ ๊ฐ์ ์กฐ๊ฑด ๋น๊ต), [`eval/bench_speed.py`](eval/bench_speed.py) (์๋). `--url`๋ก ์ฐ๋ ํ์ ์๋ฒ๋ ์ด ์ ์ฅ์์ ์์ผ๋, ์ง์ ๋๋ฆด ๋๋ `--model .`๋ก ๋ด๋ ค๋ฐ์ ๋ชจ๋ธ์ ์ฐ์ธ์.
## 7. ํด ๋ณด๊ณ ์๊ฒ ๋ ๊ฒ
- **ํ์์ด ์ ๋ฐ์ด๋ค.** ์๋ณธ ๋ชจ๋ธ์ ๊ฐ์ ์ง์์ด ์์ด๋ ์ด ํ์์ผ๋ก ๋ฐ๋ก ๋ตํ์ง ๋ชปํ๋ค(29.6%). ํ์ ๋ชจ๋ธ์์๋ ๋ต์ ๋ด๋ ์๋ฆฌ์ ๋ฐฉ์์ ๋ง์ถ๋ ๊ฒ์ด ๊ฐ์ฅ ํฐ ์ฐจ์ด๋ฅผ ๋ง๋ ๋ค.
- **์ญ์ ๋ฐ์ดํฐ๋ ๊ฐ์ธ๊ณ ํจ๊ณผ๊ฐ ํฌ๋ค.** ๊ฐ์ ๋ฌธํญ์ ๊ฑฐ๊พธ๋ก ํ ๋ฒ ๋ ๋ฃ๋ ๊ฒ๋ง์ผ๋ก ๋ณด๊ธฐ ์์ ๊ฐ๊ฑด์ฑ์ด 97.9%๊ฐ ๋๋ค.
- **์ง์๋ฌธ์ ํ๋จ ๊ธฐ์ค ํ ๋ฌธ์ฅ์ด ์ค์ํ๋ค.** ํ์ตํ์ง ์์ ๊ณผ์ ์์๋ ๊ธฐ์ค์ ๋ช
ํํ ์ฐ๋ฉด ์ ํ๋๊ฐ ํฌ๊ฒ ์ค๋ฅธ๋ค. ๋ฐ๋๋ก ๊ธฐ์ค์ด ์ ๋งคํ๋ฉด(โ๊ธด๊ธ๋โ์ฒ๋ผ) ํ์ ๋ ์ ํ๋๋ ๋ฎ๋ค.
- **๋ณด์ ์ ๋ง์ถ ๋ถํฌ ์์์๋ง ๋ง๋๋ค.** ๊ฒ์ฆ์
ECE๋ 0.013๊น์ง ๋ด๋ ค๊ฐ์ง๋ง, ํ์ตํ์ง ์์ ์ถ์ฒ์ ๋ฐ์ดํฐ์์๋ ํ์ ์ด ์ ํ๋๋ณด๋ค ์ต๋ 10%p ๋์๋ค. ํ๋ฅ ์ ๊ธฐ์ค์ผ๋ก ์ฐ๋ ค๋ฉด ์ค์ ๋ก ์ธ ๋ฐ์ดํฐ์์ ๋ค์ ํ์ธํด์ผ ํ๋ค.
- **์ด ๋ฐฉ์์ด ๋ชปํ๋ ๊ฒ๋ ๋ถ๋ช
ํ๋ค.** ์ซ์ ๋น๊ตยท๊ณ์ฐ, ๋ฌธ์ฅ์์ ๊ฐ ๋ฝ๊ธฐ, ๊ธ ์์ฑ์ ์ด ๋ชจ๋ธ์ ๋ชซ์ด ์๋๋ค. ๋ฐ์ดยท๋น๊ผผ์ ํ์ ์ด ๋์ ์ฑ๋ก ํ๋ฆฌ๋ ๊ฒฝ์ฐ๊ฐ ์๋ค.
|