Qwen3-4B-KRX-Finance

Qwen3-4B-KRX-Finance는 한국어 금융 도메인 질의응답 품질 향상을 목표로
Qwen3-4B-Instruct 모델을 기반으로 SFT(Supervised Fine-Tuning) 이후
DPO(Direct Preference Optimization) 방식으로 추가 정렬한 PEFT 어댑터(Adapter) 모델입니다.

본 저장소에는 DPO 학습이 완료된 어댑터만 포함되어 있으며,
베이스 모델은 별도로 로드해야 합니다.

---

1. 모델 개요

• Base Model
  unsloth/Qwen3-4B-Instruct-2507

• Fine-tuning Pipeline

  1. Supervised Fine-Tuning (SFT)
  2. Direct Preference Optimization (DPO)

• Release Type
  PEFT Adapter only

• Target Domain
  한국어 금융 질의응답 (금리, 채권, 거시경제, 금융 개념 설명 중심)

---

2. 학습 목적

본 모델은 다음과 같은 목적을 가지고 학습되었습니다.

• 한국어 금융 질문에 대한 설명 정확도 및 일관성 향상
• 답변을 단순 나열이 아닌 논리적으로 구조화된 형태로 생성
• 동일 질문에 대해 선호되는 답변 스타일로 정렬
• 금융 학습·리서치·설명용으로 활용 가능한 안정적인 언어 모델 구축

---

3. SFT (Supervised Fine-Tuning)

3.1 SFT 학습 개요

SFT 단계에서는 모델이
한국어 금융 질의응답의 기본적인 형식과 도메인 지식을 습득하도록 학습되었습니다.

• 금융 개념 설명 중심 QA
• 한국어 질문에 대한 직접적이고 설명적인 응답 학습

---

3.2 SFT 학습 데이터

• Dataset
  https://huggingface.co/datasets/KRX-Data/Won-Instruct

• 데이터 분리 방식

  • test_size = 0.05
  • Train / Test 분리 후 Train 데이터만 SFT 학습에 사용

• 데이터 특징

  • 한국어 금융 질의응답 데이터
  • 금리, 채권, 거시경제, 금융 제도 및 개념 설명 중심
  • 설명형 응답 위주 구성

---

3.3 SFT 결과 요약

SFT 이후 모델은 다음과 같은 특성을 갖게 되었습니다.

• 한국어 금융 질문에 대해 안정적인 기본 응답 생성
• 금융 도메인 용어 이해도 향상
• 다만,
  • 답변 길이 편차
  • 중복 서술
  • 선호되지 않는 서술 방식이 일부 존재

이를 보완하기 위해 DPO 학습을 진행했습니다.

---

4. DPO (Direct Preference Optimization)

4.1 DPO 학습 목적

DPO 단계의 목적은 다음과 같습니다.

• 동일 질문에 대해 더 나은 답변(chosen) 을 선택하도록 정렬
• 설명의 명확성, 간결성, 구조적 완결성 강화
• SFT 모델 출력의 품질 편차 감소

---

4.2 DPO 학습 데이터

• Base Dataset
  https://huggingface.co/datasets/aiqwe/FinShibainu

• Prompt 구성

  • 전체 데이터 중 무작위로 1,200개 prompt 추출
  • 금융 관련 질문 중심

• Chosen 응답

  • gemini-3-flash-preview API를 활용하여 생성
  • 설명의 완결성, 중복 제거, 논리적 구조를 기준으로 사용

• Rejected 응답

  • Base Qwen3-4B-Instruct 모델 출력 사용
  • 상대적으로 구조가 덜 정제된 응답

---

4.3 DPO 학습 설정 요약

• Policy Model
  SFT 완료 모델

• Reference Model
  Base Qwen3-4B-Instruct (고정)

• Beta
  0.2

• Epoch
  2

• Max Sequence Length
  2048

• Optimization Method
  Direct Preference Optimization (DPO)

---

5. 사용 방법

5.1 Base 모델 로드

from unsloth import FastLanguageModel

base_model, tokenizer = FastLanguageModel.from_pretrained(
    "unsloth/Qwen3-4B-Instruct-2507",
    max_seq_length=2048,
    load_in_4bit=True,
)

from peft import PeftModel

model = PeftModel.from_pretrained(
    base_model,
    "mjun/Qwen3-4B-KRX-Finance"
)

model.eval()