Instructions to use jwg0830/AX-3.1-Light-sft_v0_2 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_2 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_2")
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_2")
model = AutoModelForCausalLM.from_pretrained("jwg0830/AX-3.1-Light-sft_v0_2", 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_2 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_2"
# 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_2",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/jwg0830/AX-3.1-Light-sft_v0_2

SGLang

How to use jwg0830/AX-3.1-Light-sft_v0_2 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_2" \
    --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_2",
		"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_2" \
        --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_2",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use jwg0830/AX-3.1-Light-sft_v0_2 with Docker Model Runner:
```
docker model run hf.co/jwg0830/AX-3.1-Light-sft_v0_2
```

AX-3.1-Light-sft_v0_2 (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)) 전체 대응 proxy benchmark에서 진단한 출력 형식 결손을 교정하기 위해 LoRA 파인튜닝 후 병합한 모델입니다. EXAONE-Deep-7.8B-sft_v0_2와 동일한 학습 데이터(format_sft_v0_2.jsonl)를 사용했습니다.

베이스 모델: skt/A.X-3.1-Light
AI Hub 데이터 활용: 예
- 71857 국어 교과 지문형 문제 데이터 (CLIcK 축)
- 71874 전문 의학지식 데이터 (KMMLU 축)
- 71610 금융, 법률 문서 기계독해 데이터 (HLE 축)
- 569 행정 문서 대상 기계독해 데이터 (MuSR 축)
- 71949 인과관계 기반 추론 데이터(업사이클링) (Com2-main 축)
주요 학습 방법: proxy benchmark 5축 1,350문항 기반 실패 진단(A/B1/B2/C_evidence/C2 5단계 probe) 결과를 반영한 LoRA SFT (r=16, alpha=32, 2 epoch, 5,801 examples)
모델의 목적: 5개 벤치마크 축 전반의 출력 형식 안정화. A.X는 베이스 상태에서 이미 콘텐츠 정확도가 높아, 이번 학습은 콘텐츠 보강보다 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 — vLLM에서 옵션 없이 바로 로드 검증 완료)

자체 Proxy 벤치마크 결과 (참고용, K-AI 공식 점수 아님)

5축 1,350문항 (KMMLU-Lite 300 / CLIcK-Lite 300 / HLE-Lite 200 / MuSR-Lite 300 / Com2-main-Lite 250) 기준, 베이스 대비:

Axis	Base 안정정답	sft_v0_2 안정정답
KMMLU-Lite	213/300	223/300
CLIcK-Lite	275/300	274/300
HLE-Lite	185/200	190/200
MuSR-Lite	278/300	288/300
Com2-main-Lite	227/250	246/250
합계	1,178/1,350 (87.3%)	1,221/1,350 (90.4%)

A.X는 베이스 단계에서 이미 대부분 축에서 90% 내외로 강했기 때문에, EXAONE(형식결손이 컸던 모델) 대비 개선폭은 작지만 5축 전 구간에서 일관되게 향상됨.

참고: Com2-main-Lite 축의 자체 proxy 문항은 정답 외 3개 오답 선택지를 같은 추론 유형 내 다른 문항의 정답 텍스트를 교차 샘플링해 합성한 것으로(원본 AI Hub 벤치마크의 실제 선택지는 이미지 기반), 네이티브 4지선다가 아닙니다. 절대 정확도 수치는 참고용으로만 해석할 것.

사용 데이터셋 명시

AI Hub: 71857/71874/71610/569/71949의 validation label 중 최종 proxy 벤치마크로 표본 추출되지 않은 문서-안전(document-safe) 잔여분만 학습에 사용함.

Downloads last month: -

Safetensors

Model size

7B params

Tensor type

BF16

Model tree for jwg0830/AX-3.1-Light-sft_v0_2

Base model

skt/A.X-3.1-Light

Finetuned

(3)

this model