Upload 4 files

Dockerfile

@@ -0,0 +1,15 @@
+# Contrastive Embedding API — Hugging Face Spaces (Docker)
+# 올릴 파일: app.py, requirements.txt, Dockerfile, README.md
+FROM python:3.11-slim
+
+RUN useradd -m -u 1000 user
+WORKDIR /app
+
+COPY --chown=user requirements.txt .
+RUN pip install --no-cache-dir -r requirements.txt
+
+COPY --chown=user app.py .
+
+ENV PORT=7860
+EXPOSE 7860
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

README.md

@@ -1,355 +1,43 @@
----
-tags:
-- sentence-transformers
-- sentence-similarity
-- feature-extraction
-- dense
-- generated_from_trainer
-- dataset_size:1556
-- loss:TripletLoss
-base_model: jhgan/ko-sroberta-multitask
-widget:
-- source_sentence: 개발 쪽 준비하고 있어
-  sentences:
-  - '[자격증명: 전기기사] 자격증명: 전기기사 | 유형: 국가기술자격 | 분야: 전기 | NCS분류: 전기.전자 | 시행기관: 한국산업인력공단
-    | 등급: 기사 | 관련전공: ICT로봇공학전공, 휴먼지능로봇공학과, 휴먼・로봇융합전공, 지능형로봇융합전공, 지능로봇학과'
-  - '[자격증명: SQL개발자(SQLD)] 자격증명: SQL개발자(SQLD) | 유형: 국가민간자격 | 분야: 정보기술 | NCS분류: 정보통신
-    | 시행기관: 한국데이터산업진흥원 | 등급: 1 | 관련전공: IT미디어공학과, IT·디자인융합학부, ICT융합콘텐츠전공, 인공지능융합전공,
-    인공지능소프트웨어전공'
-  - '[자격증명: SQL개발자(SQLD)] 자격증명: SQL개발자(SQLD) | 유형: 국가민간자격 | 분야: 정보기술 | NCS분류: 정보통신
-    | 시행기관: 한국데이터산업진흥원 | 등급: 1 | 관련전공: IT미디어공학과, IT·디자인융합학부, ICT융합콘텐츠전공, 인공지능융합전공,
-    인공지능소프트웨어전공'
-- source_sentence: '전공: 국어국문학과 학년: 3학년 희망직무: 개발 관심 자격증: 없음 취득 자격증: 없음 목적: 입문, 취업 준비'
-  sentences:
-  - '[자격증명: 철도운송산업기사] 자격증명: 철도운송산업기사 | 유형: 국가기술자격 | 분야: 철도운전.운송 | NCS분류: 운전.운송 | 시행기관:
-    한국산업인력공단 | 등급: 산업기사 | 관련전공: 철도전기기관사과, 철도교통학부, 철도운수설비과, 철도운전제어공학과, 철도차량운전과'
-  - '[자격증명: 데이터분석준전문가(ADsP)] 자격증명: 데이터분석준전문가(ADsP) | 유형: 국가민간자격 | 분야: 정보기술 | NCS분류:
-    정보통신 | 시행기관: (재)한국데이터진흥원 | 등급: 1 | 관련전공: 모바일시스템공학과, 모바일융합공학과, 전자공학부모바일공학전공, 전자정보공학부,
-    IT융합학부'
-  - '[자격증명: 컴퓨터활용능력 2급] 자격증명: 컴퓨터활용능력 2급 | 유형: 국가기술자격 | 분야: 사업관리 | NCS분류: 사업관리 | 관련전공:
-    IT학부, AI・데이터공학부, AI・빅데이터학과, AI・컴퓨터공학과, AI빅데이터전공'
-- source_sentence: '전공: 소프트웨어학과 학년: 4학년 희망직무: 실무 관심 자격증: 없음 취득 자격증: 정보처리기사 목적: 취업
-    준비'
-  sentences:
-  - '[자격증명: 측량및지형공간정보기사] 자격증명: 측량및지형공간정보기사 | 유형: 국가기술자격 | 분야: 정보기술 | NCS분류: 정보통신 |
-    시행기관: 한국산업인력공단 | 등급: 기사 | 관련전공: 지리학과, 지리학과(자연계열), 지적학전공, 지적학과, 위치정보시스템학과'
-  - '[자격증명: 데이터분석준전문가(ADsP)] 자격증명: 데이터분석준전문가(ADsP) | 유형: 국가민간자격 | 분야: 정보기술 | NCS분류:
-    정보통신 | 시행기관: (재)한국데이터진흥원 | 등급: 1 | 관련전공: 모바일시스템공학과, 모바일융합공학과, 전자공학부모바일공학전공, 전자정보공학부,
-    IT융합학부'
-  - '[자격증명: SQL개발자(SQLD)] 자격증명: SQL개발자(SQLD) | 유형: 국가민간자격 | 분야: 정보기술 | NCS분류: 정보통신
-    | 시행기관: 한국데이터산업진흥원 | 등급: 1 | 관련전공: IT미디어공학과, IT·디자인융합학부, ICT융합콘텐츠전공, 인공지능융합전공,
-    인공지능소프트웨어전공'
-- source_sentence: 비전공자인데 개발 공부 시작했어
-  sentences:
-  - '[자격증명: 종자기사] 자격증명: 종자기사 | 유형: 국가기술자격 | 분야: 농업 | NCS분류: 농림어업 | 시행기관: 한국산업인력공단
-    | 등급: 기사 | 관련전공: 식량자원과학과, 식량생명공학과, 생물자원과학부, 자원공학과, 식의약자원개발학과'
-  - '[자격증명: 빅데이터분석기사] 자격증명: 빅데이터분석기사 | 유형: 국가기술자격 | 분야: 정보기술 | NCS분류: 정보통신 | 시행기관:
-    한국산업인력공단 | 등급: 기사'
-  - '[자격증명: 정보처리기사] 자격증명: 정보처리기사 | 유형: 국가기술자격 | 분야: 정보기술 | NCS분류: 정보통신 | 시행기관: 한국산업인력공단
-    | 등급: 기사 | 관련전공: 지능・데이터융합학부, 인공지능융합공학부, 첨단공학부, 소프트웨어학부, 정보전자공학과'
-- source_sentence: '전공: 경영정보학과 학년: 4학년 희망직무: 사무 관심 자격증: 없음 취득 자격증: 없음 목적: 취업 준비'
-  sentences:
-  - '[자격증명: 종자기사] 자격증명: 종자기사 | 유형: 국가기술자격 | 분야: 농업 | NCS분류: 농림어업 | 시행기관: 한국산업인력공단
-    | 등급: 기사 | 관련전공: 식량자원과학과, 식량생명공학과, 생물자원과학부, 자원공학과, 식의약자원개발학과'
-  - '[자격증명: 컴퓨터활용능력 2급] 자격증명: 컴퓨터활용능력 2급 | 유형: 국가기술자격 | 분야: 사업관리 | NCS분류: 사업관리 | 관련전공:
-    IT학부, AI・데이터공학부, AI・빅데이터학과, AI・컴퓨터공학과, AI빅데이터전공'
-  - '[자격증명: 빅데이터분석기사] 자격증명: 빅데이터분석기사 | 유형: 국가기술자격 | 분야: 정보기술 | NCS분류: 정보통신 | 시행기관:
-    한국산업인력공단 | 등급: 기사'
-pipeline_tag: sentence-similarity
-library_name: sentence-transformers
----
-
-# SentenceTransformer based on jhgan/ko-sroberta-multitask
-
-This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [jhgan/ko-sroberta-multitask](https://huggingface.co/jhgan/ko-sroberta-multitask). It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
-
-## Model Details
-
-### Model Description
-- **Model Type:** Sentence Transformer
-- **Base model:** [jhgan/ko-sroberta-multitask](https://huggingface.co/jhgan/ko-sroberta-multitask) <!-- at revision ab957ae6a91e99c4cad36d52063a2a9cf1bf4419 -->
-- **Maximum Sequence Length:** 256 tokens
-- **Output Dimensionality:** 768 dimensions
-- **Similarity Function:** Cosine Similarity
-<!-- - **Training Dataset:** Unknown -->
-<!-- - **Language:** Unknown -->
-<!-- - **License:** Unknown -->
-
-### Model Sources
-
-- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
-- **Repository:** [Sentence Transformers on GitHub](https://github.com/huggingface/sentence-transformers)
-- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
-
-### Full Model Architecture
-
-```
-SentenceTransformer(
-  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False, 'architecture': 'RobertaModel'})
-  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
-)
-```
-
-## Usage
-
-### Direct Usage (Sentence Transformers)
-
-First install the Sentence Transformers library:
-
-```bash
-pip install -U sentence-transformers
-```
-
-Then you can load this model and run inference.
-```python
-from sentence_transformers import SentenceTransformer
-
-# Download from the 🤗 Hub
-model = SentenceTransformer("sentence_transformers_model_id")
-# Run inference
-sentences = [
-    '전공: 경영정보학과 학년: 4학년 희망직무: 사무 관심 자격증: 없음 취득 자격증: 없음 목적: 취업 준비',
-    '[자격증명: 컴퓨터활용능력 2급] 자격증명: 컴퓨터활용능력 2급 | 유형: 국가기술자격 | 분야: 사업관리 | NCS분류: 사업관리 | 관련전공: IT학부, AI・데이터공학부, AI・빅데이터학과, AI・컴퓨터공학과, AI빅데이터전공',
-    '[자격증명: 종자기사] 자격증명: 종자기사 | 유형: 국가기술자격 | 분야: 농업 | NCS분류: 농림어업 | 시행기관: 한국산업인력공단 | 등급: 기사 | 관련전공: 식량자원과학과, 식량생명공학과, 생물자원과학부, 자원공학과, 식의약자원개발학과',
-]
-embeddings = model.encode(sentences)
-print(embeddings.shape)
-# [3, 768]
-
-# Get the similarity scores for the embeddings
-similarities = model.similarity(embeddings, embeddings)
-print(similarities)
-# tensor([[ 1.0000,  0.3410, -0.1606],
-#         [ 0.3410,  1.0000, -0.0415],
-#         [-0.1606, -0.0415,  1.0000]])
-```
-
-<!--
-### Direct Usage (Transformers)
-
-<details><summary>Click to see the direct usage in Transformers</summary>
-
-</details>
--->
-
-<!--
-### Downstream Usage (Sentence Transformers)
-
-You can finetune this model on your own dataset.
-
-<details><summary>Click to expand</summary>
-
-</details>
--->
-
-<!--
-### Out-of-Scope Use
-
-*List how the model may foreseeably be misused and address what users ought not to do with the model.*
--->
-
-<!--
-## Bias, Risks and Limitations
-
-*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
--->
-
-<!--
-### Recommendations
-
-*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
--->
-
-## Training Details
-
-### Training Dataset
-
-#### Unnamed Dataset
-
-* Size: 1,556 training samples
-* Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>sentence_2</code>
-* Approximate statistics based on the first 1000 samples:
-  |         | sentence_0                                                                        | sentence_1                                                                          | sentence_2                                                                          |
-  |:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
-  | type    | string                                                                            | string                                                                              | string                                                                              |
-  | details | <ul><li>min: 5 tokens</li><li>mean: 25.75 tokens</li><li>max: 58 tokens</li></ul> | <ul><li>min: 35 tokens</li><li>mean: 94.18 tokens</li><li>max: 119 tokens</li></ul> | <ul><li>min: 48 tokens</li><li>mean: 83.42 tokens</li><li>max: 110 tokens</li></ul> |
-* Samples:
-  | sentence_0                                                                             | sentence_1                                                                                                                                                                                    | sentence_2                                                                                                                                                                |
-  |:---------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
-  | <code>전공: 컴퓨터공학과 학년: 3학년 희망직무: 데이터분석 관심 자격증: 정보처리기사 취득 자격증: 없음 목적: 직무 관련 자격증 추천</code> | <code>[자격증명: SQL개발자(SQLD)] 자격증명: SQL개발자(SQLD) \| 유형: 국가민간자격 \| 분야: 정보기술 \| NCS분류: 정보통신 \| 시행기관: 한국데이터산업진흥원 \| 등급: 1 \| 관련전공: IT미디어공학과, IT·디자인융합학부, ICT융합콘텐츠전공, 인공지능융합전공, 인공지능소프트웨어전공</code>   | <code>[자격증명: 측량및지형공간정보기술사] 자격증명: 측량및지형공간정보기술사 \| 유형: 국가기술자격 \| 분야: 정보기술 \| NCS분류: 정보통신 \| 등급: 기술사</code>                                                                  |
-  | <code>IT 쪽 취업하고 싶어</code>                                                              | <code>[자격증명: SQL개발자(SQLD)] 자격증명: SQL개발자(SQLD) \| 유형: 국가민간자격 \| 분야: 정보기술 \| NCS분류: 정보통신 \| 시행기관: 한국데이터산업진흥원 \| 등급: 1 \| 관련전공: IT미디어공학과, IT·디자인융합학부, ICT융합콘텐츠전공, 인공지능융합전공, 인공지능소프트웨어전공</code>   | <code>[자격증명: 종자기사] 자격증명: 종자기사 \| 유형: 국가기술자격 \| 분야: 농업 \| NCS분류: 농림어업 \| 시행기관: 한국산업인력공단 \| 등급: 기사 \| 관련전공: 식량자원과학과, 식량생명공학과, 생물자원과학부, 자원공학과, 식의약자원개발학과</code>              |
-  | <code>전공: 산업데이터공학 학년: 2학년 희망직무: 개발 관심 자격증: 없음 취득 자격증: 없음 목적: 직무 관련 자격증 추천</code>       | <code>[자격증명: 데이터분석준전문가(ADsP)] 자격증명: 데이터분석준전문가(ADsP) \| 유형: 국가민간자격 \| 분야: 정보기술 \| NCS분류: 정보통신 \| 시행기관: (재)한국데이터진흥원 \| 등급: 1 \| 관련전공: 모바일시스템공학과, 모바일융합공학과, 전자공학부모바일공학전공, 전자정보공학부, IT융합학부</code> | <code>[자격증명: 측량및지형공간정보기사] 자격증명: 측량및지형공간정보기사 \| 유형: 국가기술자격 \| 분야: 정보기술 \| NCS분류: 정보통신 \| 시행기관: 한국산업인력공단 \| 등급: 기사 \| 관련전공: 지리학과, 지리학과(자연계열), 지적학전공, 지적학과, 위치정보시스템학과</code> |
-* Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
-  ```json
-  {
-      "distance_metric": "TripletDistanceMetric.COSINE",
-      "triplet_margin": 0.2
-  }
-  ```
-
-### Training Hyperparameters
-#### Non-Default Hyperparameters
-
-- `per_device_train_batch_size`: 16
-- `per_device_eval_batch_size`: 16
-- `num_train_epochs`: 1
-- `multi_dataset_batch_sampler`: round_robin
-
-#### All Hyperparameters
-<details><summary>Click to expand</summary>
-
-- `do_predict`: False
-- `eval_strategy`: no
-- `prediction_loss_only`: True
-- `per_device_train_batch_size`: 16
-- `per_device_eval_batch_size`: 16
-- `gradient_accumulation_steps`: 1
-- `eval_accumulation_steps`: None
-- `torch_empty_cache_steps`: None
-- `learning_rate`: 5e-05
-- `weight_decay`: 0.0
-- `adam_beta1`: 0.9
-- `adam_beta2`: 0.999
-- `adam_epsilon`: 1e-08
-- `max_grad_norm`: 1
-- `num_train_epochs`: 1
-- `max_steps`: -1
-- `lr_scheduler_type`: linear
-- `lr_scheduler_kwargs`: None
-- `warmup_ratio`: None
-- `warmup_steps`: 0
-- `log_level`: passive
-- `log_level_replica`: warning
-- `log_on_each_node`: True
-- `logging_nan_inf_filter`: True
-- `enable_jit_checkpoint`: False
-- `save_on_each_node`: False
-- `save_only_model`: False
-- `restore_callback_states_from_checkpoint`: False
-- `use_cpu`: False
-- `seed`: 42
-- `data_seed`: None
-- `bf16`: False
-- `fp16`: False
-- `bf16_full_eval`: False
-- `fp16_full_eval`: False
-- `tf32`: None
-- `local_rank`: -1
-- `ddp_backend`: None
-- `debug`: []
-- `dataloader_drop_last`: False
-- `dataloader_num_workers`: 0
-- `dataloader_prefetch_factor`: None
-- `disable_tqdm`: False
-- `remove_unused_columns`: True
-- `label_names`: None
-- `load_best_model_at_end`: False
-- `ignore_data_skip`: False
-- `fsdp`: []
-- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
-- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
-- `parallelism_config`: None
-- `deepspeed`: None
-- `label_smoothing_factor`: 0.0
-- `optim`: adamw_torch_fused
-- `optim_args`: None
-- `group_by_length`: False
-- `length_column_name`: length
-- `project`: huggingface
-- `trackio_space_id`: trackio
-- `ddp_find_unused_parameters`: None
-- `ddp_bucket_cap_mb`: None
-- `ddp_broadcast_buffers`: False
-- `dataloader_pin_memory`: True
-- `dataloader_persistent_workers`: False
-- `skip_memory_metrics`: True
-- `push_to_hub`: False
-- `resume_from_checkpoint`: None
-- `hub_model_id`: None
-- `hub_strategy`: every_save
-- `hub_private_repo`: None
-- `hub_always_push`: False
-- `hub_revision`: None
-- `gradient_checkpointing`: False
-- `gradient_checkpointing_kwargs`: None
-- `include_for_metrics`: []
-- `eval_do_concat_batches`: True
-- `auto_find_batch_size`: False
-- `full_determinism`: False
-- `ddp_timeout`: 1800
-- `torch_compile`: False
-- `torch_compile_backend`: None
-- `torch_compile_mode`: None
-- `include_num_input_tokens_seen`: no
-- `neftune_noise_alpha`: None
-- `optim_target_modules`: None
-- `batch_eval_metrics`: False
-- `eval_on_start`: False
-- `use_liger_kernel`: False
-- `liger_kernel_config`: None
-- `eval_use_gather_object`: False
-- `average_tokens_across_devices`: True
-- `use_cache`: False
-- `prompts`: None
-- `batch_sampler`: batch_sampler
-- `multi_dataset_batch_sampler`: round_robin
-- `router_mapping`: {}
-- `learning_rate_mapping`: {}
-
-</details>
-
-### Framework Versions
-- Python: 3.12.12
-- Sentence Transformers: 5.2.3
-- Transformers: 5.0.0
-- PyTorch: 2.10.0+cu128
-- Accelerate: 1.12.0
-- Datasets: 4.0.0
-- Tokenizers: 0.22.2
-
-## Citation
-
-### BibTeX
-
-#### Sentence Transformers
-```bibtex
-@inproceedings{reimers-2019-sentence-bert,
-    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
-    author = "Reimers, Nils and Gurevych, Iryna",
-    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
-    month = "11",
-    year = "2019",
-    publisher = "Association for Computational Linguistics",
-    url = "https://arxiv.org/abs/1908.10084",
-}
-```
-
-#### TripletLoss
-```bibtex
-@misc{hermans2017defense,
-    title={In Defense of the Triplet Loss for Person Re-Identification},
-    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
-    year={2017},
-    eprint={1703.07737},
-    archivePrefix={arXiv},
-    primaryClass={cs.CV}
-}
-```
-
-<!--
-## Glossary
-
-*Clearly define terms in order to be accessible across audiences.*
--->
-
-<!--
-## Model Card Authors
-
-*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
--->
-
-<!--
-## Model Card Contact
-
-*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--->
+---
+title: CertWeb Contrastive Embedding API
+sdk: docker
+app_port: 7860
+---
+
+# Contrastive Embedding API
+
+CertWeb RAG용 **질의 → 768-dim 벡터** 임베딩을 Hugging Face Spaces에서 서빙합니다.  
+모델은 HF **모델 리포**에서 로드하며, 이 Space 리포에는 모델 파일을 올리지 않습니다.
+
+## 1. 모델 리포에 올리기
+
+`HUGGINGFACE_UPLOAD.md` §2 참고: `model.safetensors`, `config.json`, `tokenizer*.json`, `config_sentence_transformers.json`, `modules.json`, `1_Pooling/config.json` 등.
+
+## 2. 이 Space 만들기
+
+1. **New Space** → 이름 예: `certweb-contrastive-embed`, **SDK: Docker** 선택.
+2. 아래 **올릴 파일 목록**의 파일만 이 Space 리포에 업로드:
+   - `app.py`, `requirements.txt`, `Dockerfile`, `README.md`
+3. Space **Settings** → **Variables**:
+   - `HF_MODEL_ID`: 모델 repo ID (예: `your-org/your-model-id`)
+   - (비공개 리포면) `HF_TOKEN`: HF 토큰
+
+## 3. CertWeb 백엔드에 연결
+
+Render `.env`:
+
+```env
+RAG_CONTRASTIVE_ENABLE=true
+RAG_CONTRASTIVE_EMBEDDING_URL=https://<your-org>-certweb-contrastive-embed.hf.space
+```
+
+Space가 제공하는 **API URL** (예: `https://xxx.hf.space` 또는 별도 API 경로)을 그대로 넣으면 됩니다.
+
+## API 규약
+
+- **POST /**  
+  Body: `{"inputs": "질의 문자열"}`  
+  Response: `[[float, ...]]` (768-dim 벡터 1개를 리스트로 감싼 형태)
+
+- **GET /health**  
+  Response: `{"status": "ok", "model_loaded": true}`

app.py

@@ -0,0 +1,67 @@
+"""
+Hugging Face Spaces (Docker) — Contrastive 질의 임베딩 API.
+
+모델은 HF Hub에서 로드 (환경변수 HF_MODEL_ID, 예: <org>/<model-id>).
+POST로 텍스트 받아 768-dim 벡터 반환. 백엔드 RAG_CONTRASTIVE_EMBEDDING_URL 연동용.
+
+환경변수:
+- HF_MODEL_ID: SentenceTransformer 모델 ID (필수)
+- HF_TOKEN: 비공개 리포 접근용 토큰 (선택)
+"""
+import os
+from typing import List, Union
+
+from fastapi import FastAPI
+from fastapi.middleware.cors import CORSMiddleware
+from pydantic import BaseModel
+
+MODEL_ID = (os.environ.get("HF_MODEL_ID") or "").strip()
+HF_TOKEN = (os.environ.get("HF_TOKEN") or "").strip() or None
+
+model = None
+
+app = FastAPI(title="Contrastive Embedding API")
+app.add_middleware(CORSMiddleware, allow_origins=["*"], allow_methods=["*"], allow_headers=["*"])
+
+
+class EmbedRequest(BaseModel):
+    """백엔드 contrastive_retriever가 보내는 형식."""
+    inputs: str
+
+
+def load_model():
+    global model
+    from sentence_transformers import SentenceTransformer
+    print(f"[Embed] 모델 로딩: {MODEL_ID}")
+    model = SentenceTransformer(MODEL_ID, token=HF_TOKEN)
+    print("[Embed] 로드 완료.")
+
+
+@app.on_event("startup")
+def startup():
+    if MODEL_ID:
+        load_model()
+    else:
+        print("[Embed] HF_MODEL_ID 미설정. 설정 후 재시작.")
+
+
+@app.post("/")
+def embed(body: EmbedRequest) -> Union[List[List[float]], dict]:
+    """
+    질의 문자열을 768-dim 벡터로 변환.
+    응답: [[float,...]] (백엔드가 기대하는 형식) 또는 {"embedding": [float,...]}
+    """
+    global model
+    if not model:
+        return {"embedding": [], "error": "HF_MODEL_ID not set"}
+    text = (body.inputs or "").strip()
+    if not text:
+        return {"embedding": [], "error": "empty inputs"}
+    vec = model.encode([text], normalize_embeddings=True)
+    # 백엔드: list of list 또는 {"embedding": ...} 둘 다 처리
+    return vec.tolist()
+
+
+@app.get("/health")
+def health():
+    return {"status": "ok", "model_loaded": model is not None}

requirements.txt

@@ -0,0 +1,5 @@
+fastapi>=0.100.0
+uvicorn[standard]>=0.22.0
+sentence-transformers>=2.2.0
+torch>=2.0.0
+pydantic>=2.0.0