jiwon9703/KoLlama-3.1-8B-Instruct-qlora-sft-v0

KoLlama-3.1-8B-Instruct QLoRA Adapter (SFT v0)

이 모델은 meta-llama/Meta-Llama-3.1-8B-Instruct를 QLoRA 기법을 사용하여 한국어 instruction 데이터로 파인튜닝한 LoRA 어댑터입니다.

모델 정보

• Base Model: meta-llama/Meta-Llama-3.1-8B-Instruct
• Training Method: QLoRA (4-bit quantization + LoRA)
• Language: Korean (ko), English (en)
• License: Llama 3.1 License

학습 데이터셋

이 모델은 아래 한국어 instruction 데이터셋을 결합하여 학습되었습니다:

1. MarkrAI/KOpen-HQ-Hermes-2.5-60K: 고품질 한국어 instruction-following 데이터셋
   • 제작: Markr AI (Seungyoo Lee, Kyujin Han)
   • 라이선스: MIT License

데이터셋 제공 감사

고품질 한국어 데이터셋을 공개해주신 Markr AI 팀(Seungyoo Lee, Kyujin Han)께 진심으로 감사드립니다. 이러한 오픈 데이터셋 덕분에 한국어 언어모델 연구와 개발이 활성화되고 있습니다.

학습 설정

LoRA 파라미터

• r (rank): 16
• lora_alpha: 32
• lora_dropout: 0.05
• target_modules: q_proj, k_proj, v_proj, o_proj

학습 하이퍼파라미터

• Quantization: 4-bit (NF4)
• Compute dtype: bfloat16
• Total steps: 1,800
• Epochs: ~0.96
• Best validation loss: 1.0551

프롬프트 템플릿

아래는 문제를 설명하는 지시사항입니다. 이 요청에 대해 적절하게 답변해주세요.
###지시사항: {instruction}
###답변:

입력이 있는 경우:

아래는 문제를 설명하는 지시사항과, 구체적인 답변의 방식을 요구하는 입력이 함께 있는 문장입니다. 이 요청에 대해 적절하게 답변해주세요.
###입력:{input}
###지시사항:{instruction}
###답변:

사용 방법

PEFT 라이브러리 사용

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel
import torch

# 베이스 모델 로드
base_model_name = "meta-llama/Meta-Llama-3.1-8B-Instruct"
model = AutoModelForCausalLM.from_pretrained(
    base_model_name,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

# LoRA 어댑터 로드
model = PeftModel.from_pretrained(
    model,
    "jiwon9703/KoLlama-3.1-8B-Instruct-qlora-sft-v0",
)

# Tokenizer 로드
tokenizer = AutoTokenizer.from_pretrained(base_model_name)

# 추론
prompt = "아래는 문제를 설명하는 지시사항입니다. 이 요청에 대해 적절하게 답변해주세요.\n###지시사항: 인공지능의 장점과 단점을 설명해주세요.\n###답변:"

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
    **inputs,
    max_new_tokens=512,
    temperature=0.7,
    top_p=0.9,
    do_sample=True,
)

response = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(response)

4-bit 양자화 사용 (메모리 절약)

from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
from peft import PeftModel
import torch

# 4-bit 양자화 설정
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_use_double_quant=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
)

# 베이스 모델 로드 (4-bit)
base_model_name = "meta-llama/Meta-Llama-3.1-8B-Instruct"
model = AutoModelForCausalLM.from_pretrained(
    base_model_name,
    quantization_config=bnb_config,
    device_map="auto",
)

# LoRA 어댑터 로드
model = PeftModel.from_pretrained(
    model,
    "jiwon9703/KoLlama-3.1-8B-Instruct-qlora-sft-v0",
)

tokenizer = AutoTokenizer.from_pretrained(base_model_name)

성능

• Best Checkpoint: checkpoint-1800
• Validation Loss: 1.0551

제한사항

• 이 모델은 연구 및 교육 목적으로 제작되었습니다.
• 학습 데이터의 품질과 양에 따라 성능이 제한될 수 있습니다.
• 베이스 모델인 Llama 3.1의 라이선스 조건을 따릅니다.

Citation

이 모델을 사용하실 경우 아래와 같이 인용해주세요:

@misc{kollama31-8b-qlora-sft-v0,
  title={KoLlama-3.1-8B-Instruct QLoRA Adapter (SFT v0)},
  author={jiwon9703},
  year={2024},
  publisher={Hugging Face},
  howpublished={\url{https://huggingface.co/jiwon9703/jiwon9703/KoLlama-3.1-8B-Instruct-qlora-sft-v0}}
}

데이터셋 Citation

@dataset{kopen_hq_hermes_2.5_60k,
  title={KOpen-HQ-Hermes-2.5-60K},
  author={Lee, Seungyoo and Han, Kyujin},
  organization={Markr AI},
  year={2024},
  url={https://huggingface.co/datasets/MarkrAI/KOpen-HQ-Hermes-2.5-60K},
  license={MIT}
}

라이선스

이 모델은 Meta의 Llama 3.1 Community License Agreement를 따릅니다. 자세한 내용은 Llama 3.1 License를 참조하세요.