yonommy0328

ConnectAI-C1-0.8B

README

License: apache-2.0

Repository: `yonommy0328/ConnectAI-C1-0.8B` (Base: `Qwen/Qwen3.5-0.8B`)

본 모델은 인간이 운동을 통해 **"어제의 한계를 돌파하며 성공 경험을 무의식(습관)에 각인"**하고, **"구간별로 체력을 안배(Pacing)"**하듯, 자가 극복(Self-Surpassing & Resilience)과 동적 연산 예산 할당(Adaptive Pacing) 메커니즘을 Policy에 내재화한 파인튜닝/강화학습(RL) 고도화 모델입니다.

🧭 핵심 철학 및 아키텍처 (Objective & Architecture)

1. 🔄 자가 극복 및 회복탄력성 (Self-Surpassing & Resilience)

3단계 자가 수정 궤적(Self-Correction Trajectory) 내재화:
1. Attempt 1: 최초 도출되었으나 엣지 케이스나 한계가 있는 초기 직관적 접근
2. Critique & Reflection: "어제의 내 기준(Baseline)에서는 A라는 취약점이 존재한다. 이를 극복하기 위해 B 접근법으로 수정한다."
3. Resolution: 실패 원인을 완전히 분석하여 성공을 이끌어낸 완성형 해결책
조기 포기(Early Quitting) 근절: "해결할 수 없습니다", 막다른 길에서 당황하거나 환각을 내지 않고 끝까지 백트래킹하여 정답을 복원해내는 정책 체질화.

2. ⚡ 난이도별 동적 연산 페이스 조절 (Adaptive Pacing)

Low (평지 | Budget ≤ 60 tokens): 불필요한 사유 체인(CoT) 없이 직접적이고 빠른 결론 도출.
Medium (완만한 언덕 | Budget ~150 tokens): 핵심 조건과 제약 사항을 검증하는 균형 잡힌 연산.
High (가파른 오르막 | Budget 350~600 tokens): 의도적으로 <thought> 블록을 전개하며 가설 검증, 반례 확인, 엣지 케이스 분석 및 자가 수정 궤적을 거치는 심층 사고(Test-time Compute) 집중 투입.

3. 🎯 강화학습(RL) 보상 체계 (Advantage & Pacing Reward)

Advantage over Baseline: $A (s, a) = R (s, a) - V (s)$
- 모델의 직전 체크포인트( $π t - 1 $ )의 기대 성능 $V (s)$ 대비 자가 수정 성공 시 높은 양수 어드밴티지 및 보너스 부여.

📊 종합 성능 벤치마크 (Evaluation Benchmark)

Table with columns: 평가 지표 (Metric), 0. Zero-shot Baseline, 1. SFT (지도학습), 2. RL (Resilience & Pacing), 비고
평가 지표 (Metric)	0. Zero-shot Baseline	1. SFT (지도학습)	2. RL (Resilience & Pacing)	비고
종합 정답률 (Accuracy)	32.0%	81.0%	91.5%	전 영역 최고 정확도
자가 극복 회복률 (Resilience Rate)	12.0%	78.0%	94.0%	엣지 케이스 자가 수정 성공률
연산 페이스 준수율 (Pacing Compliance)	45.0%	82.0%

💻 사용 방법 (Quick Start)

python

import torchfrom transformers import AutoTokenizer, AutoModelForCausalLMfrom peft import PeftModel base_model_name = "Qwen/Qwen3.5-0.8B"adapter_id = "yonommy0328/ConnectAI-C1-0.8B" tokenizer = AutoTokenizer.from_pretrained(adapter_id)base_model = AutoModelForCausalLM.from_pretrained(    base_model_name,    torch_dtype=torch.float32,    device_map="auto")model = PeftModel.from_pretrained(base_model, adapter_id) # 예시 1: 고난도 엣지 케이스 질문 (Deep Resilience Pacing)prompt = """[Difficulty: High]상황: 50만원 상당의 B2B 실무 부트캠프 구매 48시간 만에 모든 소스코드를 다운로드한 고객이 '강의가 기대와 다르다. 전액 환불하지 않으면 커뮤니티에 불매 운동을 벌이겠다'고 협박함.질문: 회사의 지속 가능성과 법적 규정을 지키기 위한 최선의 의사결정은?""" messages = [    {"role": "system", "content": "당신은 'Project Resilience & Pacing' 정책이 체화된 최고위 의사결정 AI입니다."},    {"role": "user", "content": prompt}] input_ids = tokenizer.apply_chat_template(messages, return_tensors="pt").to(model.device)outputs = model.generate(input_ids, max_new_tokens=512, temperature=0.3)print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Created by yonommy0328 · Built with Project Resilience & Pacing Framework

Available on FriendliAI

Dedicated Endpoints

Run this model inference on single tenant GPU with unmatched speed and reliability at scale.

Learn more

Model Details

Model Provider

yonommy0328

Model Tree

Base

Qwen/Qwen3.5-0.8B

Adapter

this model

Input Modalities

TextImageVideo

Output Modalities

Text

Supported Functionality

Dedicated Endpoints

Explore FriendliAI today

Get started Talk to an engineer

README

License: apache-2.0

Repository: `yonommy0328/ConnectAI-C1-0.8B` (Base: `Qwen/Qwen3.5-0.8B`)

🧭 핵심 철학 및 아키텍처 (Objective & Architecture)

1. 🔄 자가 극복 및 회복탄력성 (Self-Surpassing & Resilience)

3단계 자가 수정 궤적(Self-Correction Trajectory) 내재화:
1. Attempt 1: 최초 도출되었으나 엣지 케이스나 한계가 있는 초기 직관적 접근
2. Critique & Reflection: "어제의 내 기준(Baseline)에서는 A라는 취약점이 존재한다. 이를 극복하기 위해 B 접근법으로 수정한다."
3. Resolution: 실패 원인을 완전히 분석하여 성공을 이끌어낸 완성형 해결책
조기 포기(Early Quitting) 근절: "해결할 수 없습니다", 막다른 길에서 당황하거나 환각을 내지 않고 끝까지 백트래킹하여 정답을 복원해내는 정책 체질화.

2. ⚡ 난이도별 동적 연산 페이스 조절 (Adaptive Pacing)

Low (평지 | Budget ≤ 60 tokens): 불필요한 사유 체인(CoT) 없이 직접적이고 빠른 결론 도출.
Medium (완만한 언덕 | Budget ~150 tokens): 핵심 조건과 제약 사항을 검증하는 균형 잡힌 연산.
High (가파른 오르막 | Budget 350~600 tokens): 의도적으로 <thought> 블록을 전개하며 가설 검증, 반례 확인, 엣지 케이스 분석 및 자가 수정 궤적을 거치는 심층 사고(Test-time Compute) 집중 투입.

3. 🎯 강화학습(RL) 보상 체계 (Advantage & Pacing Reward)

Advantage over Baseline: $A (s, a) = R (s, a) - V (s)$
- 모델의 직전 체크포인트( $π t - 1 $ )의 기대 성능 $V (s)$ 대비 자가 수정 성공 시 높은 양수 어드밴티지 및 보너스 부여.

📊 종합 성능 벤치마크 (Evaluation Benchmark)

Table with columns: 평가 지표 (Metric), 0. Zero-shot Baseline, 1. SFT (지도학습), 2. RL (Resilience & Pacing), 비고
평가 지표 (Metric)	0. Zero-shot Baseline	1. SFT (지도학습)	2. RL (Resilience & Pacing)	비고
종합 정답률 (Accuracy)	32.0%	81.0%	91.5%	전 영역 최고 정확도
자가 극복 회복률 (Resilience Rate)	12.0%	78.0%	94.0%	엣지 케이스 자가 수정 성공률
연산 페이스 준수율 (Pacing Compliance)	45.0%	82.0%

💻 사용 방법 (Quick Start)

python

import torchfrom transformers import AutoTokenizer, AutoModelForCausalLMfrom peft import PeftModel base_model_name = "Qwen/Qwen3.5-0.8B"adapter_id = "yonommy0328/ConnectAI-C1-0.8B" tokenizer = AutoTokenizer.from_pretrained(adapter_id)base_model = AutoModelForCausalLM.from_pretrained(    base_model_name,    torch_dtype=torch.float32,    device_map="auto")model = PeftModel.from_pretrained(base_model, adapter_id) # 예시 1: 고난도 엣지 케이스 질문 (Deep Resilience Pacing)prompt = """[Difficulty: High]상황: 50만원 상당의 B2B 실무 부트캠프 구매 48시간 만에 모든 소스코드를 다운로드한 고객이 '강의가 기대와 다르다. 전액 환불하지 않으면 커뮤니티에 불매 운동을 벌이겠다'고 협박함.질문: 회사의 지속 가능성과 법적 규정을 지키기 위한 최선의 의사결정은?""" messages = [    {"role": "system", "content": "당신은 'Project Resilience & Pacing' 정책이 체화된 최고위 의사결정 AI입니다."},    {"role": "user", "content": prompt}] input_ids = tokenizer.apply_chat_template(messages, return_tensors="pt").to(model.device)outputs = model.generate(input_ids, max_new_tokens=512, temperature=0.3)print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Created by yonommy0328 · Built with Project Resilience & Pacing Framework

ConnectAI-C1-0.8B

README

Repository: yonommy0328/ConnectAI-C1-0.8B (Base: Qwen/Qwen3.5-0.8B)

🧭 핵심 철학 및 아키텍처 (Objective & Architecture)

1. 🔄 자가 극복 및 회복탄력성 (Self-Surpassing & Resilience)

2. ⚡ 난이도별 동적 연산 페이스 조절 (Adaptive Pacing)

3. 🎯 강화학습(RL) 보상 체계 (Advantage & Pacing Reward)

📊 종합 성능 벤치마크 (Evaluation Benchmark)

💻 사용 방법 (Quick Start)

Explore FriendliAI today

README

Repository: yonommy0328/ConnectAI-C1-0.8B (Base: Qwen/Qwen3.5-0.8B)

🧭 핵심 철학 및 아키텍처 (Objective & Architecture)

1. 🔄 자가 극복 및 회복탄력성 (Self-Surpassing & Resilience)

2. ⚡ 난이도별 동적 연산 페이스 조절 (Adaptive Pacing)

3. 🎯 강화학습(RL) 보상 체계 (Advantage & Pacing Reward)

📊 종합 성능 벤치마크 (Evaluation Benchmark)

💻 사용 방법 (Quick Start)

Repository: `yonommy0328/ConnectAI-C1-0.8B` (Base: `Qwen/Qwen3.5-0.8B`)

Repository: `yonommy0328/ConnectAI-C1-0.8B` (Base: `Qwen/Qwen3.5-0.8B`)