source/eval/debate/avengers_strategy.md

어벤져스 팀 2번 — ORPO + 고품질 데이터로 1B 완성 전략

작성일: 2026-02-27
전략: 현재 1B SFT v2 모델을 ORPO로 반복률 <5% 달성
현재 상태: 반복률 18.0%, val_loss 2.2062

---

1. 반복률 18% → <5% 달성 로드맵

Step A: 추론 파라미터 튜닝 (즉시, 0시간)

파라미터	현재	변경
repetition_penalty	1.1	1.2
no_repeat_ngram_size	3	4

예상 반복률: 18% → 10~12%

• 근거: 현재 eval에서 repetition_penalty=1.1로 측정. 1.2로 올리면 n-gram 반복이 직접 억제됨
• 한계: 생성 품질 저하 없이 가능한 범위. 1.3 이상은 문맥 coherence 손상
• 독립 효과: 모델 가중치 변경 없이 즉시 적용. 다른 단계와 완전히 독립

Step B: ORPO 학습 (핵심, 3~5시간)

예상 반복률: 1012% → 47%

ORPO(Odds Ratio Preference Optimization)는 SFT + preference alignment를 단일 목적함수로 통합:

• SFT loss로 chosen 응답 학습
• Odds ratio로 chosen vs rejected 선호도 학습
• DPO 대비 reference model 불필요 → 메모리/시간 절약

왜 ORPO가 반복 퇴화에 효과적인가:

1. 반복 응답을 rejected로 명시적 학습 → 모델이 "반복하지 말라"를 직접 배움
2. SFT만으로는 "뭘 하면 안 되는지" 학습 불가 → preference learning이 유일한 해법
3. 1B 모델의 반복은 파라미터 부족이 아닌 EOS 경계 학습 실패 + 반복 패턴 미벌칙 → ORPO로 직접 교정 가능

필요 데이터: 500~2000 preference 쌍 (아래 섹션 2 참조)

Step C: 데이터 정제 + 추가 SFT (선택적, 2~4시간)

예상 반복률: 47% → 35%

• data_quality_audit에서 발견된 문제 수정:
  • </s> 오염 113건 제거
  • 짧은 output(<80자) 16,519건 제거
  • Q/A 마커 ~550건 제거
  • OpenOrca 가중치 5.0→2.0
• 정제된 ~120K 데이터로 추가 SFT 2-3 epochs

독립 효과: 데이터 품질 개선은 ORPO와 무관하게 기저 모델 개선. 하지만 ORPO 없이 이것만으로는 반복률 <5% 불가능 (SFT v1→v2에서 이미 데이터 정제했으나 17.7%→18%로 정체)

종합 예상

단계	반복률	소요시간	누적시간
현재	18.0%	-	-
Step A (추론 파라미터)	10~12%	0h	0h
Step B (ORPO)	4~7%	3~5h	3~5h
Step C (데이터 정제 SFT)	3~5%	2~4h	5~9h
최종	3~5%		5~9h

---

2. 자체 Preference 데이터 생성 전략

방법: Self-Play Rejection Sampling

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model = AutoModelForCausalLM.from_pretrained("checkpoints/korean_1b_sft/checkpoint-best")
tokenizer = AutoTokenizer.from_pretrained(...)

def generate_preference_pair(prompt, n_samples=8, temp=0.9):
    """프롬프트 당 n_samples개 생성 → chosen/rejected 분류"""
    responses = []
    for _ in range(n_samples):
        output = model.generate(
            tokenizer.encode(f"<|user|>\n{prompt}\n<|assistant|>\n", return_tensors="pt"),
            max_new_tokens=256, temperature=temp, top_p=0.95,
            do_sample=True, repetition_penalty=1.0  # 의도적으로 penalty 없이
        )
        text = tokenizer.decode(output[0], skip_special_tokens=True)
        rep_rate = calc_repetition_rate(text)  # 10-gram 기준
        responses.append((text, rep_rate))
    
    # 분류
    chosen = [r for r in responses if r[1] < 0.05]   # 반복률 5% 미만 → chosen
    rejected = [r for r in responses if r[1] > 0.15]  # 반복률 15% 이상 → rejected
    
    if chosen and rejected:
        return {"prompt": prompt, "chosen": chosen[0][0], "rejected": rejected[0][0]}
    return None

규모 계산

항목	값
필요 preference 쌍	500~1000 (최소 500)
프롬프트 당 샘플 수	8
유효 쌍 생성률	~40% (반복률 18%이므로 chosen/rejected 분리 가능)
필요 프롬프트 수	500 / 0.4 = ~1,250개
프롬프트 당 생성 시간	8 × 256 tokens × ~0.02s/token ≈ 40s
총 생성 시간	1,250 × 40s ≈ 14시간 (GPU 1개)

⚠️ 자체 생성은 느림. 대안: 기존 HF preference 데이터 활용 (섹션 3)

자동 품질 판단 기준

• chosen 임계값: 10-gram 반복률 < 5%, 길이 > 50 tokens, EOS 정상 생성
• rejected 임계값: 10-gram 반복률 > 15% OR 동일 문장 2회 이상 반복
• 중간 영역(5~15%)은 버림 → contrastive signal 극대화

빠른 대안: 하이브리드 전략 (추천)

1. HF에서 500~1000쌍 다운로드 (즉시)
2. 자체 모델로 200300쌍 추가 생성 (반복 특화, 34시간)
3. 총 700~1300쌍으로 ORPO 학습

---

3. HuggingFace 즉시 사용 가능 한국어 Preference 데이터

확인된 데이터셋

데이터셋	크기	포맷	적합성
maywell/ko_Ultrafeedback_binarized	61,966쌍	prompt/chosen/rejected	⭐⭐⭐ 최적 — 바로 ORPO에 사용 가능
kuotient/orca-math-korean-dpo-pairs	192,848쌍	question/chosen/rejected	⭐⭐ 수학 특화지만 양 풍부
nayohan/preference-collection-ko-full	199,760쌍	복잡 포맷 (score_A/B)	⭐⭐ 전처리 필요
jojo0217/korean_rlhf_dataset	미확인	미확인	⭐ 확인 필요
heegyu/PKU-SafeRLHF-ko	미확인	미확인	⭐ 안전성 특화

추천 조합

# 1순위: ko_Ultrafeedback_binarized에서 2000쌍 샘플링
from datasets import load_dataset
ds = load_dataset("maywell/ko_Ultrafeedback_binarized", split="train")
# 이미 prompt/chosen/rejected 포맷 → 바로 사용

# 2순위: orca-math에서 500쌍 추가 (다양성)
ds2 = load_dataset("kuotient/orca-math-korean-dpo-pairs", split="train")

준비 시간: 30분 미만 (다운로드 + 포맷 변환)

---

4. 1B 모델의 한계와 ORPO 극복 범위

반복 퇴화의 근본 원인: 파라미터 수 vs 학습 방법

파라미터 수가 주 원인이 아닌 근거:

1. Pretrain 단계에서 반복률 69% → SFT로 18%까지 낮춤. 같은 1B 파라미터로 51%p 개선
2. 반복 패턴은 특정 프롬프트에서만 발생 (짧은 사실 질문은 0%, 긴 설명 질문에서 20~33%)
3. data_quality_audit에서 EOS 학습 실패가 핵심 원인으로 지목됨 → 학습 데이터/방법 문제

1B에서 반복률 <5% 현실성:

• Qwen2.5-0.5B, SmolLM-1.7B 등 유사 규모 모델이 RLHF/DPO 후 반복률 <5% 달성 사례 다수
• ORPO 원논문(Hong et al., 2024)에서 Phi-2(2.7B)와 Llama-2-7B 실험 → 소규모 모델에서도 일관된 개선
• 1B급 직접 실험은 드물지만, 반복 퇴화는 alignment 문제이지 capacity 문제가 아님

ORPO 특유의 장점 (1B에 유리):

• Reference model 불필요 → GPU 메모리 절약 (DPO는 2배 메모리)
• 1B 모델을 단일 GPU에서 full fine-tuning 가능
• SFT + preference를 동시에 학습 → 적은 데이터로 효율적

현실적 기대치

목표	달성 가능성	조건
반복률 <10%	95%	ORPO 500쌍 + rep_penalty=1.2
반복률 <5%	70%	ORPO 1000쌍 + 데이터 정제 SFT
반복률 <3%	40%	ORPO 2000쌍 + 데이터 정제 + 파라미터 튜닝

---

5. 총 비용 계산

1B ORPO 경로 (이 전략)

단계	작업	시간
1	HF preference 데이터 다운로드 + 전처리	0.5h
2	자체 preference 생성 (200~300쌍, 선택적)	3~4h
3	ORPO 학습 (1000쌍, 1~2 epochs)	1~2h
4	평가 + 반복	0.5h
5	(선택) 데이터 정제 재SFT	2~4h
총합 (필수만)		2~3h
총합 (전체)		7~11h

3B 처음부터 경로 (대안)

단계	시간
3B pretrain	26h
SFT	1~2h
평가	1h
총합	28~29h

비교

항목	1B ORPO	3B 처음부터
소요 시간	2~11h	28~29h
성공 확률 (<5%)	70%	80~90%
실패 시 비용	3~11h 낭비	29h 낭비
기대값 (시간×확률)	311h / 0.7 = **416h**	29h / 0.85 = 34h
병렬 가능	✅ 3B와 동시 진행 가능	GPU 점유

---

6. 최종 권고: 왜 지금 당장 ORPO여야 하는가

핵심 논거

1. 시간 효율: 필수 단계만 2~3시간. 3B의 1/10 시간
2. 리스크 최소: 실패해도 3시간 손실. 3B는 29시간 손실
3. 이미 데이터 있음: maywell/ko_Ultrafeedback_binarized 61K쌍이 HF에 준비됨. 다운로드만 하면 됨
4. 정확한 문제 해결: 반복 퇴화의 원인은 "뭘 하면 안 되는지 모름" → preference learning이 정확한 해법
5. 병렬 전략 가능: ORPO는 2~3시간이므로, 3B 학습과 동시에 시작 가능. 먼저 끝나는 쪽 채택

즉시 실행 계획

# Step 1: preference 데이터 준비 (30분)
python3 scripts/prepare_orpo_data.py \
  --hf_dataset maywell/ko_Ultrafeedback_binarized \
  --sample_size 2000 \
  --output data/orpo/train.jsonl

# Step 2: ORPO 학습 (1~2시간)
python3 scripts/train_orpo.py \
  --model checkpoints/korean_1b_sft/checkpoint-best \
  --data data/orpo/train.jsonl \
  --lr 5e-6 --epochs 2 --batch_size 4 --beta 0.1 \
  --output checkpoints/korean_1b_orpo

# Step 3: 평가 (30분)
python3 eval/comprehensive_eval.py \
  --model checkpoints/korean_1b_orpo \
  --repetition_penalty 1.2 --no_repeat_ngram_size 4

성공 판정 기준

지표	목표	현재
반복률	<5%	18%
자연 종료율	>80%	60%
응답 품질	유지 또는 개선	baseline

---

요약

항목	값
전략	ORPO + 추론 파라미터 튜닝
예상 반복률	3~7% (목표 <5% 달성 확률 70%)
총 소요시간	23h (필수) / 711h (전체)
vs 3B	1015배 빠름, 기대값 기준 23배 효율적
필요 데이터	HF에서 즉시 사용 가능 (0원, 30분)
핵심 메시지	SFT만으로는 "하지 말아야 할 것"을 가르칠 수 없다. ORPO가 정확한 해법이다.