Austin9/

gemma-2-9b-it-ko-generator-v2.5

Gemma-2 RAG Generator 모델 README

소개

주요 특징

1. RAG Generator 최적화: 검색 결과를 기반으로 답변을 생성하며, 정보를 선택적으로 활용하여 신뢰성을 높였습니다.
2. 각주 처리: 정보의 출처를 명확히 알 수 있도록 컨텍스트에서 가져온 정보를 각주 형태로 표시합니다.
3. 한국어 최적화: 한국어 데이터에 특화된 모델로, 한국어 사용자에게 최적의 성능을 제공합니다.

사용법

1. 프롬프트 템플릿

### Instruction:
{시스템 프롬프트}

### Conversation:
User: {사용자 대화}
Assistant: {어시스턴트 응답}

### Context:
# Index [랭크]: {문서 제목}
{문서 청크}

# Index [랭크]: {문서 제목}
{문서 청크}

...

### Input:
{사용자 입력}

### Response:
{모델 응답}

2. 구성 요소 설명

- Instruction

• Gemma-2가 따르는 시스템 지침입니다. 모델에 내장된 기본 시스템 프롬프트를 사용하며, 필요에 따라 커스터마이징 가능합니다.
• 예:
  당신은 외부검색을 이용하여 사용자에게 도움을 주는 인공지능 조수입니다.

- Conversation

• 사용자와 어시스턴트 간의 대화 기록입니다. 아래 형식을 따릅니다:
  • 사용자: **User:**로 시작
  • 어시스턴트: **Assistant:**로 시작
• 예:

  User: 서울의 날씨는 어때요?
  Assistant: 오늘 서울은 맑고 화창합니다.

- Context

• 외부 검색 결과의 랭크, 문서 제목, 본문 청크로 구성됩니다.
• 순서:
  1. 랭크: # Index [랭크]
  2. 문서 제목: {문서 제목}
  3. 본문 청크: {문서 청크}
• 예:

  # Index [1]: 서울의 날씨
  서울은 오늘 맑고 화창하며 낮 최고 기온은 25도입니다.
  
  # Index [2]: 기상청 정보
  이번 주 서울은 전반적으로 맑은 날씨가 이어질 예정입니다.

- Input

• 사용자가 추가로 입력한 질문이나 요청을 포함합니다.

- Response

• 모델이 생성한 답변이 들어가는 부분입니다.

3. 예시

입력 예시

### Instruction:
당신은 외부검색을 이용하여 사용자에게 도움을 주는 인공지능 조수입니다.

- Context는 외부검색을 통해 반환된 사용자 요청과 관련된 정보들입니다. 
- Context를 활용할 때 문장 끝에 사용한 문서 조각의 [Index]를 붙이고 자연스러운 답변을 작성하세요. (e.g. [1])
- Context의 정보가 사용자 요청과 관련이 없거나 도움이 안될수도 있습니다. 관련있는 정보만 활용하고, 없는 정보를 절대 지어내지 마세요.
- 되도록이면 일반 지식으로 답변하지말고, 최대한 Context를 통해서 답변을 하려고 하세요. Context에 없을 경우에는 이 점을 언급하며 사죄하고 다른 주제나 질문을 추천해주세요. 
- 사용자 요청에 알맞는 자연스러운 대화를 하세요.
- 항상 존댓말로 답변하세요.

### Conversation:
User: 서울의 날씨는 어때요?
Assistant: 오늘 서울은 맑고 화창합니다.

### Context:
# Index [1]: 서울의 날씨
서울은 오늘 맑고 화창하며 낮 최고 기온은 25도입니다.

# Index [2]: 기상청 정보
이번 주 서울은 전반적으로 맑은 날씨가 이어질 예정입니다.

### Input:
이번 주말에는 비가 올 가능성이 있나요?

### Response:
기상청 정보에 따르면, 이번 주 서울은 전반적으로 맑은 날씨가 이어질 예정입니다. 주말에도 비가 올 가능성은 낮습니다. [2]

4. 컨텍스트 추가 가이드

1. 검색 결과를 수집하여 Context에 추가합니다.
2. 랭크는 검색 결과의 우선순위를 기반으로 지정합니다.
3. 문서 제목과 본문 청크는 각 검색 결과의 정보를 압축하여 넣습니다.
4. 여러 개의 검색 결과를 포함하려면 위 예시처럼 여러 # Index 섹션을 추가합니다.

추론 방법

1. Hugging Face에서 모델을 로드합니다:
   python

   1from transformers import AutoTokenizer, AutoModelForCausalLM 2 3tokenizer = AutoTokenizer.from_pretrained("Austin9/gemma-2-9b-it-ko-generator-v2.5") 4model = AutoModelForCausalLM.from_pretrained("Austin9/gemma-2-9b-it-ko-generator-v2.5")
2. 프롬프트를 생성합니다:
   python

   1prompt = """\ 2### Instruction: 3 당신은 외부검색을 이용하여 사용자에게 도움을 주는 인공지능 조수입니다. 4 5 - Context는 외부검색을 통해 반환된 사용자 요청과 관련된 정보들입니다. 6 - Context를 활용할 때 문장 끝에 사용한 문서 조각의 [Index]를 붙이고 자연스러운 답변을 작성하세요. (e.g. [1]) 7 - Context의 정보가 사용자 요청과 관련이 없거나 도움이 안될수도 있습니다. 관련있는 정보만 활용하고, 없는 정보를 절대 지어내지 마세요. 8 - 되도록이면 일반 지식으로 답변하지말고, 최대한 Context를 통해서 답변을 하려고 하세요. Context에 없을 경우에는 이 점을 언급하며 사죄하고 다른 주제나 질문을 추천해주세요. 9 - 사용자 요청에 알맞는 자연스러운 대화를 하세요. 10 - 항상 존댓말로 답변하세요. 11### Conversation: 12User: 서울의 날씨는 어때요? 13Assistant: 오늘 서울은 맑고 화창합니다. 14 15### Context: 16# Index [1]: 서울의 날씨 17서울은 오늘 맑고 화창하며 낮 최고 기온은 25도입니다. 18 19# Index [2]: 기상청 정보 20이번 주 서울은 전반적으로 맑은 날씨가 이어질 예정입니다. 21 22### Input: 23이번 주말에는 비가 올 가능성이 있나요? 24 25### Response: 26""" 27input_ids = tokenizer(prompt, return_tensors="pt").input_ids
3. 추론을 실행합니다:
   python

   1output = model.generate(input_ids, max_length=512, do_sample=True, top_p=0.1) 2response = tokenizer.decode(output[0], skip_special_tokens=True) 3print(response)

데이터셋

이 모델은 대화 기록, 검색 결과, 사용자 입력을 포함한 특화된 RAG 학습 데이터셋을 사용하여 학습되었습니다.

모델의 강점

• 컨텍스트를 활용한 높은 신뢰성 있는 답변 제공.
• 각주를 통해 출처를 명확히 표시.
• 대화형 태스크에서 유연하고 자연스러운 응답.