Instructions to use jwg0830/AX-3.1-Light-sft_v0_1 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use jwg0830/AX-3.1-Light-sft_v0_1 with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="jwg0830/AX-3.1-Light-sft_v0_1")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("jwg0830/AX-3.1-Light-sft_v0_1")
model = AutoModelForCausalLM.from_pretrained("jwg0830/AX-3.1-Light-sft_v0_1", device_map="auto")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use jwg0830/AX-3.1-Light-sft_v0_1 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "jwg0830/AX-3.1-Light-sft_v0_1"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "jwg0830/AX-3.1-Light-sft_v0_1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/jwg0830/AX-3.1-Light-sft_v0_1

SGLang

How to use jwg0830/AX-3.1-Light-sft_v0_1 with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "jwg0830/AX-3.1-Light-sft_v0_1" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "jwg0830/AX-3.1-Light-sft_v0_1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "jwg0830/AX-3.1-Light-sft_v0_1" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "jwg0830/AX-3.1-Light-sft_v0_1",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use jwg0830/AX-3.1-Light-sft_v0_1 with Docker Model Runner:
```
docker model run hf.co/jwg0830/AX-3.1-Light-sft_v0_1
```

AX-3.1-Light-sft_v0_1 (동전)

skt/A.X-3.1-Light를 기반으로, AI Hub 한국어 데이터를 활용해 K-AI 리더보드 5개 벤치마크 (KMMLU-Pro / CLIcK / HLE(Ko) / MuSR(Ko) / Com2-main(Ko))와 유사한 자체 proxy 벤치마크에서 진단한 **출력 형식 결손(format deficit)**을 교정하기 위해 LoRA 파인튜닝 후 병합한 모델입니다.

베이스 모델: skt/A.X-3.1-Light
AI Hub 데이터 활용: 예
- 71857 국어 교과 지문형 문제 데이터 (CLIcK 축 대응)
- 71874 전문 의학지식 데이터 (KMMLU 축 대응)
- 71610 금융, 법률 문서 기계독해 데이터 (HLE 축 대응)
주요 학습 방법: proxy benchmark 기반 실패 진단(자유생성/강제생성/우도비교/근거주입 4단계 probe) → 형식 결손이 확인된 문항 유형에 대해 "간단한 근거 + 정답: <A/B/C/D>" 형식을 학습하는 LoRA SFT (r=16, alpha=32, 2 epoch)
모델의 목적: 출력 형식(정답 letter 파싱 가능 여부) 안정화. A.X는 베이스 상태에서 이미 콘텐츠 정확도가 높아, 이번 학습은 콘텐츠 보강보다는 strict 출력 형식 준수율 개선에 초점을 둠.
구조 변경: 없음 (LoRA adapter를 base model에 병합한 표준 A.X-3.1-Light 아키텍처, 별도 custom code 없음)

자체 Proxy 벤치마크 결과 (참고용, K-AI 공식 점수 아님)

무작위 sampling 800문항(KMMLU-Lite 300 / CLIcK-Lite 300 / HLE-Lite 200) 기준, 베이스 대비:

Axis	Base 안정정답	sft_v0_1 안정정답
KMMLU-Lite	213/300	221/300
CLIcK-Lite	275/300	276/300
HLE-Lite	185/200	189/200

MuSR-Lite / Com2-main-Lite 축은 이 체크포인트로 아직 재평가하지 않음 (베이스 A.X는 해당 축에서도 이미 90%+ 수준이라 개선 여지가 크지 않을 것으로 예상되나 미실측).

사용 데이터셋 명시

AI Hub: 71857(국어 교과 지문형 문제 데이터), 71874(전문 의학지식 데이터), 71610(금융, 법률 문서 기계독해 데이터)의 validation label 중 최종 proxy 벤치마크로 표본 추출되지 않은 문서-안전 (document-safe) 잔여분만 학습에 사용함.

Downloads last month: 249

Safetensors

Model size

7B params

Tensor type

BF16

Model tree for jwg0830/AX-3.1-Light-sft_v0_1

Base model

skt/A.X-3.1-Light

Finetuned

(3)

this model