from transformers import AutoTokenizer, AutoModelForCausalLM

# 모델과 토크나이저 로드
tokenizer = AutoTokenizer.from_pretrained("himedia/fincredit-lamma3.2-3b-lr2e04-bs2-r64-steps1000-20250618_150212")
model = AutoModelForCausalLM.from_pretrained("himedia/fincredit-lamma3.2-3b-lr2e04-bs2-r64-steps1000-20250618_150212")

# 간단한 추론 예제
prompt = "고객의 신용등급을 평가해주세요:"
inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs, max_length=200)
result = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(result)

📊 학습 데이터 파일

이 레포지토리에는 다음 학습 관련 파일들이 포함되어 있습니다:

training_log.json: 전체 학습 로그 (JSON 형식)
FinCreditLlama-3.2-3B_20250618_150212_training_curves.png: 학습 곡선 시각화 이미지

레포지토리명 구성

fincredit-lamma3.2-3b-lr2e04-bs2-r64-steps1000-20250618_150212 = fincredit-lamma3-4b-lr2e04-bs2-r64-steps1000-20250618_150212

fincredit-lamma3-4b: 모델 기본명
lr2e04: Learning Rate
bs2: Batch Size
r64: LoRA rank
steps1000: 학습 스텝
20250618_150212: 학습 시각

성능

이 모델은 한국어 금융 텍스트에 대해 파인튜닝되어 신용 평가 관련 질의응답에 특화되어 있습니다.

라이선스

Apache 2.0