docs: update README to v1.3 (DPO v6)

README.md

@@ -23,23 +23,12 @@ pipeline_tag: text-generation
 [![Hugging Face Model](https://img.shields.io/badge/%F0%9F%A4%97%20Model-intrect%2FVELA-yellow)](https://huggingface.co/intrect/VELA)
 [![Hugging Face Spaces](https://img.shields.io/badge/%F0%9F%A4%97%20Demo-Spaces-blue)](https://huggingface.co/spaces/intrect/vela-demo)
 
-## Version History
-
-| Version | Date | Changes |
-|---------|------|---------|
-| **v1.2** | **2026-02-16** | **SFT v3 (58K) Gap Fill 12카테고리, Markdown RT, 벤치마크 추가** |
-| v1.1 | 2026-02-12 | GGUF 양자화 모델 추가 (Q4_K_M, Q8_0) |
-| v1.0 | 2026-01-28 | DPO 병합, 중국어/영어 leak 해결 |
-| v0.9 | 2026-01-15 | SFT 베이스 모델 공개 |
-
 **한국 주식시장 전문 AI 애널리스트**
 
 VELA는 한국 주식시장 뉴스 분석 및 투자 리서치를 위해 특화된 7B 파라미터 언어 모델입니다.
 KOSPI/KOSDAQ 2,135개 종목에 대한 뉴스 영향 분석, 증권사 리포트 해석,
 Reasoning Trace 기반 구조화된 투자 분석을 수행합니다.
 
-지속적인 개발과 학습으로 개선해나가고 있습니다. 사용상의 이
-
 > **58K+ SFT 샘플**과 **26K+ DPO 페어**로 학습하여,
 > 한국어 금융 도메인에서 정확하고 구조화된 분석을 제공합니다.
 >
@@ -63,68 +52,10 @@ Reasoning Trace 기반 구조화된 투자 분석을 수행합니다.
 
 | Format | File | Size | Use Case |
 |--------|------|------|----------|
-| **BF16** (safetensors) | `model.safetensors` | 15 GB | Full precision, GPU inference |
-| **GGUF Q8_0** | `vela-q8_0.gguf` | 7.6 GB | High quality quantized, GPU/CPU |
-| **GGUF Q4_K_M** | `vela-q4_k_m.gguf` | 4.4 GB | Fast & lightweight, GPU/CPU |
-
-> 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,
-)
-```
+| **BF16** (safetensors) | `model-*.safetensors` | 14.5 GB | Full precision, GPU inference |
+| **GGUF Q4_K_M** | `vela-dpo-v6-q4_k_m.gguf` | 4.4 GB | Fast & lightweight, GPU/CPU |
 
-**MLX** — 서버 기본값 사용:
-```python
-generate(model, tokenizer, prompt=prompt, max_tokens=1024, temp=0.7)
-```
+> MLX 4-bit 양자화 모델은 별도 레포에서 제공 예정 (Apple Silicon 최적화)
 
 ---
 
@@ -197,7 +128,7 @@ Qwen/Qwen2.5-7B-Instruct
    └── Reasoning Trace 정렬    566   (2.1%)
         |
         v
-      VELA v1.2
+      VELA v1.3
 ```
 
 ---
@@ -264,8 +195,7 @@ RTX 3060 12GB, llama-cpp-python, `n_gpu_layers=-1`, `n_ctx=4096`
 
 | Format | Speed | Chinese Leak | Quality |
 |--------|-------|--------------|---------|
-| **Q4_K_M** | **36 tok/s** | 0/5 CLEAN | RT + Report OK |
-| **Q8_0** | 25 tok/s | 0/5 CLEAN | RT + Report OK |
+| **Q4_K_M (v6)** | **36 tok/s** | 0/5 CLEAN | RT + Report OK |
 
 > Stress test 5회: Synthesis + 3K Reasoning Trace 교대 — 양쪽 모두 **Chinese leak 제로**
 
@@ -303,7 +233,7 @@ MLX 4-bit vs PyTorch CPU:
 from llama_cpp import Llama
 
 model = Llama(
-    model_path="vela-q4_k_m.gguf",  # or vela-q8_0.gguf
+    model_path="vela-dpo-v6-q4_k_m.gguf",
     n_ctx=4096,
     n_gpu_layers=-1,
     chat_format="chatml",
@@ -598,4 +528,16 @@ VELA는 단독 LLM으로도 동작하지만, 에이전트 시스템과 결합하
 
 ---
 
+## Version History
+
+| Version | Date | Changes |
+|---------|------|---------|
+| **v1.3** | **2026-03-31** | **DPO v6 모델 업데이트 (Unsloth 학습, SFT v6 + DPO v6 merged)** |
+| v1.2 | 2026-02-16 | SFT v3 (58K) Gap Fill 12카테고리, Markdown RT, 벤치마크 추가 |
+| v1.1 | 2026-02-12 | GGUF 양자화 모델 추가 (Q4_K_M, Q8_0) |
+| v1.0 | 2026-01-28 | DPO 병합, 중국어/영어 leak 해결 |
+| v0.9 | 2026-01-15 | SFT 베이스 모델 공개 |
+
+---
+
 **Disclaimer**: 이 모델의 출력은 투자 조언이 아닙니다. 모든 투자 결정은 본인의 판단과 책임 하에 이루어져야 합니다.