Dataset: 한국어 의료 SFT 데이터 (Korean Medical SFT Dataset)
Training Samples: 35,882
Format: Instruction-following format with Chain-of-Thought reasoning
Domain Coverage: 치과, 의학, 간호학, 약학, 약사 시험 문제 기반
Data Sources: AIHub 의료 데이터(15,354), KorMedMCQA(3,401), PubMedQA(827), 로드맵 바이오(657), 건강기능식품(346) 등

Training Hyperparameters

Parameter	Value
Base Model	Qwen/Qwen3-8B
LoRA Rank (r)	16
LoRA Alpha	32
LoRA Dropout	0.1
LoRA Target Modules	q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj
Learning Rate	2e-4
LR Scheduler	Cosine
Warmup Ratio	0.03
Epochs	3
Per-device Batch Size	2
Gradient Accumulation Steps	16
Effective Batch Size	32
Max Sequence Length	2,048
Attention Implementation	SDPA
Precision	bf16
Optimizer	AdamW (fused)
Seed	42
DoRA	False
RSLoRA	False

Training Infrastructure

Framework: PEFT, TRL, Transformers
Hardware: NVIDIA H200 (143GB VRAM)
Training Duration: ~4-5 hours
Final Train Loss: 0.2854
Mean Token Accuracy: 91.85%

Evaluation

Benchmark: KorMedMCQA

한국 의료 자격시험 기반 객관식 문제 (Multiple Choice QA) 벤치마크에서 평가했습니다.

Overall Performance

Metric	Value
Overall Accuracy	69.06%
Total Samples	3,009
Correct	2,078
Extract Fail Rate	0.00%
Evaluation Mode	Direct (zero-shot)

Per-Subject Performance

Subject	Correct	Total	Accuracy
간호사 (Nurse)	687	878	78.25%
약사 (Pharmacist)	198	271	73.06%
약학 (Pharm Science)	422	614	68.73%
의사 (Doctor)	297	435	68.28%
치과의사 (Dentist)	474	811	58.45%

Performance History

Experiment	Accuracy	Note
qwen3_baseline	60.39%	Qwen3-8B 기준선 (파인튜닝 없음)
qwen3_sft_001	64.27%	초기 SFT (2 epochs)
qwen3_sft_002	67.50%	확장 학습 (3 epochs)
qwen3_sft_v3	69.06%	최신 데이터셋 v3 적용 (최고 성능)

SOTA Comparison on KorMedMCQA

Model	Accuracy	Parameters	License
WeIN_bio_Qwen3-8B (본 모델)	69.06%	8B	Apache 2.0
Qwen3-8B (baseline)	60.39%	8B	Apache 2.0
EXAONE 7.8B	56.10%	7.8B	Non-Commercial
Random Guess	20.00%	-	-

Usage

Quick Start

python

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

# Load base model and adapter
base_model_id = "Qwen/Qwen3-8B"
adapter_id = "dhkim0324/WeIN_bio_Qwen3-8B"

tokenizer = AutoTokenizer.from_pretrained(adapter_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    base_model_id,
    device_map="auto",
    torch_dtype="auto",
    trust_remote_code=True,
)
model = PeftModel.from_pretrained(model, adapter_id)

# Inference
prompt = "다음 의료 관련 객관식 문제에 답하시오.\n\n문제: 심근경색의 가장 흔한 원인은?\n1. 관상동맥 죽상경화증\n2. 심장판막질환\n3. 심근염\n4. 대동맥박리\n\n정답:"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=128, do_sample=False)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Merge Adapter (Optional)

python

from transformers import AutoModelForCausalLM
from peft import PeftModel

base_model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-8B", torch_dtype="auto")
model = PeftModel.from_pretrained(base_model, "dhkim0324/WeIN_bio_Qwen3-8B")
merged_model = model.merge_and_unload()
merged_model.save_pretrained("merged_model")

Limitations

의료 전문가의 임상 판단을 대체할 수 없으며, 연구 및 교육 목적으로만 사용해야 합니다.
KorMedMCQA 벤치마크 기준 평가이며, 실제 임상 환경에서의 성능은 다를 수 있습니다.
치과의사 도메인에서 상대적으로 낮은 성능(58.45%)을 보입니다.
Chain-of-Thought 추론 시 의학적으로 부정확한 추론을 생성할 수 있습니다.
학습 데이터 시점 이후의 최신 의학적 발전은 반영되지 않습니다.

Citation

bibtex

@misc{wein_bio_qwen3_2026,
    title={WeIN_bio_Qwen3-8B: Korean Medical Domain LoRA Adapter for Qwen3-8B},
    author={dhkim0324},
    year={2026},
    publisher={Hugging Face}
}