Update README.md

README.md

@@ -12,6 +12,9 @@ license_link: https://huggingface.co/LGAI-EXAONE/EXAONE-3.0-7.8B-Instruct/blob/m
 향후 연구에서는 이러한 지식이나 기술이 사람의 선호와 조화될 수 있도록 [Direct Preference Optimization](https://arxiv.org/abs/2305.18290)과 같은 기법을 통해 학습할 계획입니다.<br><br>
 현재 업로드된 소스 코드의 경우 인간 선호 데이터셋만 구축 된다면 위 기법을 적용할 수 있도록 작성되었으며, 추후 자동으로 적용되어 학습될 수 있도록 고도화 예정입니다.
 
+## 학습 및 평가 방법
+https://github.com/BM-K/2024-NIKL-DCS
+
 ## Quick Start
 ```python
 import torch
@@ -57,41 +60,6 @@ summary = tokenizer.decode(outputs[0][source.shape[-1]:], skip_special_tokens=Tr
 """
 ```
 
-## 학습 및 평가 방법
-
-### 준비
-
-```
-# 필요 라이브러리를 설치합니다.
-pip install -r requirements.txt
-```
-
-```
-# 학습 및 평가 데이터셋을 위치시킵니다.
-dcs_2024_data
-├── 일상대화요약_train.json
-├── 일상대화요약_dev.json
-└── 일상대화요약_train.json
-```
-
-huggingface에서 [EXAONE](https://huggingface.co/LGAI-EXAONE/EXAONE-3.0-7.8B-Instruct) access token을 [발급](https://huggingface.co/docs/hub/security-tokens)받습니다.
-
-### 학습
-
-```
-CUDA_VISIBLE_DEVICES=0,1,2 python -m train model=exaone datasets=[DCS] loss=sft exp_name=exaone_sft batch_size=4 max_prompt_length=2048 max_length=2560 token='{access_token}'
-```
-
-학습이 완료되면 `model_ckpt/root/` 디렉토리안에 `exp_name + {학습 시작 시간}`에 해당하는 모델 체크포인트 파일이 저장됩니다.
-
-### 추론
-
-```
-python inference/run_test.py --output result.json --model_id model_ckpt/root/exaone_sft_2024-08-26_16-28-10_430889/step-992/ --device cuda:0
-```
-
-`model_id` 변수에 모델 체크포인트 경로를 입력한 뒤 실행하면 소스코드 폴더에 `output` 파일이 생성되고, 해당 파일 제출 시 순위표(리더보드)에 성적이 반영됩니다.
-
 ## Citing
 ```
 @inproceedings{exaone_sft_dcs,