K-intelligence/Midm-2.0-Base-Instruct(11.5B, MIT)를 최소 교란(minimal-perturbation) 방식으로 적응시킨 모델. 회의록→결정 추출 패밀리 한 가지에만, 교사 모델이 생성한 397건으로, LoRA r=8 · lr 4×10⁻⁵ · 1 epoch만 학습했다.

PALETTE-BENCH-KO v0.2 (32문항) 기준 7개 모델 중 1위 — 0.866.

№	모델	전체
01	Palette-K-Midm (이 모델)	0.866
02	Mi:dm-2.0 (KT, 베이스)	0.856
03	Palette-K-14B (자매 모델)	0.839
04	Qwen2.5-32B	0.770
05	Qwen2.5-14B	0.765
06	Kanana-1.5-8B (Kakao)	0.713
07	HyperCLOVAX-SEED-14B (Naver)	0.705

정직한 해석 (읽고 사용할 것)

격차는 0.010이다. 32문항 시드 규모에서 통계적으로 강한 차이가 아니다. "이 벤치마크에서 근소하게 앞선다"가 정확한 표현이며, "한국 최고 LLM"이 아니다. 일반 한국어 능력은 측정 대상이 아니다.
회의록→결정은 개선하지 못했다 (0.582, 베이스와 동일). 매크로 이득은 학습하지 않은 패밀리들의 능력을 보존한 데서 나온다(이메일 +0.062, 품의서 +0.062, 정책 −0.063).
공격적으로 학습하면 오히려 나빠진다. 같은 베이스를 r=32 · lr 2×10⁻⁴ · 697건 · 6패밀리 · 3 epoch로 학습한 버전은 0.769로 베이스보다 낮았다(파국적 망각, 작성 계열 −0.06~−0.13). 이 카드의 모델이 이긴 이유는 적게 학습했기 때문이다.
루브릭 4개 패밀리는 gpt-4o 심사 — 심사자가 바뀌면 절대값이 움직인다. 결정적 2개 패밀리(공시·회의록)가 교차 모델 비교의 기준이다.

학습 방법

베이스: Midm-2.0-Base-Instruct (11.5B, MIT) — NF4 4-bit double-quant, 동결
어댑터: LoRA r=8, α=16, dropout 0.05 — q,k,v,o,gate,up,down 전 projection
데이터: 회의록→결정 397건 (교사 모델 생성: 상대 날짜·보류 항목·진행중 방해 항목·기한 없는 결정 명시 포함). 벤치마크 32문항 전체와 SHA-256 해시 검증 disjoint
학습: 1 epoch, lr 4×10⁻⁵ cosine (warmup 3%), 유효 배치 16, paged-AdamW-8bit, max_seq 2048, H100 1장 · CPU에서 bf16 병합
데이터 출처: 합성 데이터만 사용. 고객 데이터·크롤링 자료 미사용

사용

python

from transformers import AutoModelForCausalLM, AutoTokenizer
m = "imcapsule/palette-k-midm"
tok = AutoTokenizer.from_pretrained(m)
model = AutoModelForCausalLM.from_pretrained(m, torch_dtype="bfloat16", device_map="auto")
msgs = [{"role":"user","content":"다음 회의록에서 결정 사항을 JSON으로 추출하라. ..."}]
ids = tok.apply_chat_template(msgs, return_tensors="pt", add_generation_prompt=True).to(model.device)
print(tok.decode(model.generate(ids, max_new_tokens=800, do_sample=False)[0][ids.shape[-1]:]))

인용

bibtex

@misc{palettekmidm2026,
  title  = {Palette-K-Midm: Minimal-Perturbation Korean Enterprise Adaptation of Mi:dm-2.0},
  author = {Palette}, year = {2026},
  note   = {Apache-2.0; ranks 1st on PALETTE-BENCH-KO v0.2 (margin 0.010, n=32)}
}

English summary

A minimal-perturbation QLoRA adaptation of KT's Mi:dm-2.0 (11.5B, MIT): LoRA rank 8, lr 4×10⁻⁵, one epoch, on 397 teacher-generated meeting-minutes examples only — hash-verified disjoint from the benchmark. Ranks 1st of 7 (0.866) on PALETTE-BENCH-KO v0.2, ahead of its own base (0.856). The margin is 0.010 at n=32 — narrowly ahead on this benchmark, not "Korea's best LLM". The interesting result is the ablation: an aggressive configuration of the same base (rank 32, lr 2×10⁻⁴, 3 epochs, six families, ~100× the cumulative update budget) scored 0.769 — below the untuned base — through catastrophic forgetting. Less training won. Minutes→decision extraction remains unimproved at 0.582, the open hard family for every model tested. Full methodology, equations and failed rounds: see the PALETTE-BENCH-KO technical report.