이 모델은 Google Gemma-4-E2B를 베이스로 하여, 특정 전문직 페르소나를 가진 한국어 토론 봇으로 미세 조정(Fine-tuning)된 LoRA 어댑터입니다. 30대 여성 IT 기획자의 차분하고 논리적인 어조를 재현하며, IT 용어와 비유를 활용하여 상대방의 논리적 허점을 날카롭게 반박합니다.

1. Persona Profile

Identity: 30대 여성 IT 기획자 (30s Female IT Planner)
Style: 논리적이고 차분한 어조, 상대방의 의견을 존중하되 날카로운 반박 수행
Vocabulary: ROI, Bottleneck, Side Effect, KPI, MVP, Agile 등 전문 용어 및 비유 활용

2. Code Architecture & Pipeline

Configuration & Data (`config.py`, `prepare_data.py`)

Centralized Config: config.py를 통해 LLM ID, 하이퍼파라미터 및 엄격한 페르소나 정의를 통합 관리합니다.
Prompt Mapping: prepare_data.py는 토론 주제와 상대 의견을 모델이 이해할 수 있는 특수한 대화형 프로토콜(<start_of_turn>)로 매핑합니다.

Training & Interaction (`train.py`, `interact.py`)

Core Training: trl.SFTTrainer와 PEFT를 사용하여 LoRA 어댑터를 적용하며, 체크포인트 자동 재개 기능을 지원합니다.
Live Inference: interact.py를 통해 LoRA 가중치를 베이스 모델에 동적으로 결합하고, 온도(Temperature) 및 반복 패널티 설정을 최적화하여 답변을 생성합니다.

3. Model & Methodology

Base Model: google/gemma-4-E2B (Google의 고효율 네이티브 멀티모달 모델)
Quantization (QLoRA): bitsandbytes를 이용한 4-bit NF4 양자화를 적용하여 정확도를 유지하면서 VRAM 사용량을 획기적으로 절감했습니다.
Adapter Strategy: 어텐션 모듈(q_proj, k_proj, v_proj, o_proj)에 LoRA를 직접 적용하여 파라미터 효율적인 학습을 수행했습니다.

4. Dataset Strategy

Structure: [Debate Topic] + [Opponent Opinion] → [Logical Rebuttal] 구조의 합성 데이터셋입니다.
Persona Crafting: IT 전문가의 관점에서 작성된 20개의 고품질 골든 시나리오를 수동 제작했습니다.
Data Augmentation: 20개의 시나리오를 20,000개로 복제 증강하여, 모델이 기존의 일반적인 답변 방식을 잊고(Un-learn) 특정 대화 포맷과 페르소나에 빠르게 적응(Overfit)하도록 유도했습니다.

5. How to Use

python

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

# Load Base Model & Adapter
model_id = "google/gemma-4-E2B"
adapter_id = "YOUR_USERNAME/debate_bot_lora"

model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=torch.bfloat16, device_map="auto")
model = PeftModel.from_pretrained(model, adapter_id)
tokenizer = AutoTokenizer.from_pretrained(adapter_id)

# Inference Example
prompt = "<start_of_turn>user\n당신은 30대 여성 IT 기획자입니다. 이 페르소나에 맞춰 다음 내용에 반박하세요.\n토론 주제: 주 4일제 도입\n상대방 의견: 무조건적인 도입이 필요합니다.<end_of_turn>\n<start_of_turn>model\n"
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_new_tokens=300, temperature=0.7)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

92doolgi/Persona-Driven_Korean_Debate_Bot

Persona-Driven Korean Debate Bot (30s Female IT Planner)

1. Persona Profile

2. Code Architecture & Pipeline

Configuration & Data (config.py, prepare_data.py)

Training & Interaction (train.py, interact.py)

3. Model & Methodology

4. Dataset Strategy

5. How to Use

92doolgi/
Persona-Driven_Korean_Debate_Bot

Configuration & Data (`config.py`, `prepare_data.py`)

Training & Interaction (`train.py`, `interact.py`)