KoGum은 LLM의 아키텍처 설계부터 pre-training, mid-training, SFT까지 전체 학습 파이프라인을 직접 구현하고 경험하기 위해 만든 한국어 특화 0.5B 소형 언어 모델입니다. 아키텍처 설계, 학습 데이터 구성, 학습 파이프라인 등에서 KORMo를 많이 참고하였으며, KORMo에서 공개한 tokenizer와 데이터셋을 활용하였습니다.

이 모델은 mid-training 단계의 모델로, base 모델에 수학/코드/추론 능력을 강화하기 위해 continued pre-training을 수행한 결과입니다.

결론: 대 실패작입니다..! 성능이 너무 안좋습니다. 하지만 이를 계기로 LLM의 전체 학습 파이프라인(아키텍처 설계 → pre-training → mid-training → SFT)을 직접 경험하고 이해할 수 있었으며, 이 경험을 바탕으로 더 발전된 모델을 만들어 나갈 예정입니다.

Model Family

Model	Stage	Description
KoGum-0.5B-16k	Pre-train	Base model
KoGum-0.5B-16k-mid	Mid-train	Continued pre-training (this)
KoGum-0.5B-16k-Instruct	SFT	Instruction-tuned chat model

Architecture

LLaMA 스타일 아키텍처 기반 (GQA + RMSNorm + SwiGLU + RoPE).


Parameters	~581M
Hidden Size	1024
Layers	24
Attention Heads	16 (GQA, 8 KV heads)
Intermediate Size	5120
Vocab Size	125,041
Max Context	16,384 tokens
RoPE Theta	500,000
Precision	BFloat16

Training

Goal

Base 모델의 수학, 코드, 추론 능력을 강화하기 위해 고품질 데이터로 continued pre-training을 수행했습니다.

Data

11개 데이터셋을 개별 비율로 interleave하여 학습 (영어 65% + 한국어 35%):

English (65%)

Dataset	Category	Ratio
KORMo-Team/UltraFineWeb-filtered	Web	17%
HuggingFaceTB/smollm-corpus (cosmopedia-v2)	Web + Code + Textbook	11%
HuggingFaceTB/cosmopedia (web_samples_v1)	Synthetic Textbook	7%
HuggingFaceTB/finemath (finemath-3plus)	Math	13%
nvidia/OpenMathReasoning (CoT)	Math Reasoning	10%
nvidia/OpenCodeReasoning	Code Reasoning	7%

Korean (35%)

Dataset	Category	Ratio
KORMo-Team/UltraFineWeb-ko-synth	Web	11%
KORMo-Team/FineWeb2-ko-synth	Web	8%
KORMo-Team/NemoPost-ko-synth	Reasoning	6%
KORMo-Team/Cosmopedia-ko-synth	Textbook	5%
KORMo-Team/korean-public-corpus	Public Data	5%

Training Stats


Total Steps	1,500
Tokens Seen	~0.79B
Final Loss	2.04

Usage

python

from transformers import AutoTokenizer, AutoModelForCausalLM

import torch

tokenizer = AutoTokenizer.from_pretrained("jiwon9703/KoGum-0.5B-16k-mid", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    "jiwon9703/KoGum-0.5B-16k-mid",
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
)

input_text = "피타고라스 정리를 증명하면"
inputs = tokenizer(input_text, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Evaluation

Benchmark 결과는 추후 업데이트 예정입니다.

License

Apache 2.0