docs: add recommended inference settings and backend configuration guide

README.md

@@ -58,6 +58,63 @@ Reasoning Trace 기반 구조화된 투자 분석을 수행합니다.
 
 > MLX 4-bit 양자화 모델도 별도 제공 예정 (Apple Silicon 최적화)
 
+### Recommended Inference Settings
+
+VELA의 `generation_config.json`은 llama-cpp-python 서버와 동일한 샘플링 파라미터를 사용합니다.
+모든 백엔드에서 동일한 출력 품질을 보장하기 위해 아래 설정을 권장합니다:
+
+| Parameter | Value | Note |
+|-----------|-------|------|
+| `temperature` | 0.7 | 창의성-일관성 균형점 |
+| `top_k` | 40 | 상위 40개 토큰 후보 (llama.cpp default) |
+| `top_p` | 0.95 | 누적 확률 95% 이내 토큰 사용 |
+| `repetition_penalty` | 1.0 | **비활성화** (후처리로 반복 제어) |
+| `max_tokens` | 1024-2048 | 분석 복잡도에 따라 조절 |
+
+> **주의사항**:
+> - `repetition_penalty ≥ 1.2`는 **사용 금지** — Qwen 7B 기반 모델에서 중국어 text leak 및 환각(hallucination)을 유발합니다
+> - `top_k < 20` 또는 `top_p < 0.8`은 출력 다양성을 과도하게 제한하여 confidence 고정(50%) 현상을 발생시킵니다
+> - 반복 제어는 `repetition_penalty` 대신 **후처리 파이프라인**으로 처리하는 것이 안정적입니다
+
+#### Backend별 설정 가이드
+
+**llama-cpp-python / Ollama** — 별도 설정 불필요 (기본값이 권장값과 동일):
+```python
+model.create_chat_completion(
+    messages=messages,
+    max_tokens=1024,
+    temperature=0.7,
+    # top_k, top_p, repeat_penalty는 서버 기본값 사용
+)
+```
+
+**HuggingFace Transformers** — `generation_config.json`이 자동 로드됨. 명시적 파라미터 최소화:
+```python
+outputs = model.generate(
+    **inputs,
+    max_new_tokens=1024,
+    temperature=0.7,
+    do_sample=True,
+    # top_k, top_p, repetition_penalty는 generation_config.json에서 로드
+)
+```
+
+**vLLM** — 명시적 설정 권장:
+```python
+params = SamplingParams(
+    temperature=0.7,
+    top_k=40,
+    top_p=0.95,
+    repetition_penalty=1.0,
+    max_tokens=1024,
+)
+```
+
+**MLX** — 서버 기본값 사용:
+```python
+generate(model, tokenizer, prompt=prompt, max_tokens=1024, temp=0.7)
+```
+
 ---
 
 ## What Can VELA Do?