--- language: - en - ko library_name: transformers pipeline_tag: text-generation tags: - terminal - sft - vllm - tb2-lite - evaluation-pending base_model: unknown --- # LLM-OS-Models/KoHRM-Text-1.4B-raw-checkpoints 터미널 작업 자동화를 위한 Terminal SFT 모델입니다. 입력된 작업/이전 터미널 상태를 보고 다음에 실행할 명령을 JSON 형태로 생성하는 용도로 학습했습니다. ## 모델 요약 - Base model: `unknown` - Training setup: `Terminal SFT` - Model card snapshot: `2026-06-03 22:09:16 UTC` - Corrected TB2-lite evaluated results currently indexed: `60` - Corrected TB2-lite score: `pending / not matched in current result directory` ## Quickstart 설치와 로그인: ```bash pip install -U vllm transformers huggingface_hub huggingface-cli login ``` 관련 코드: - GitHub: https://github.com/LLM-OS-Models/Terminal - vLLM 평가 실행: `tb2_lite/scripts/replay_eval.py` - chat template/fallback 생성: `tb2_lite/scripts/prompt_builder.py` - JSON/command 채점: `tb2_lite/scripts/replay_metrics.py` vLLM 직접 실행 예시. 평가 코드와 동일하게 chat template을 우선 사용하고, template이 없으면 ChatML/Gemma fallback을 사용합니다. ```python from transformers import AutoTokenizer from vllm import LLM, SamplingParams model_id = "LLM-OS-Models/KoHRM-Text-1.4B-raw-checkpoints" tp = 1 tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True) llm = LLM( model=model_id, tokenizer=model_id, trust_remote_code=True, dtype="bfloat16", tensor_parallel_size=tp, max_model_len=49152, gpu_memory_utilization=0.92, ) messages = [ {"role": "system", "content": "You are a terminal automation assistant. Return JSON only."}, {"role": "user", "content": "Inspect the current directory and list Python files."}, ] def render_chatml(messages): parts = [] for message in messages: role = "assistant" if message["role"] == "assistant" else message["role"] if role == "tool": role = "user" parts.append(f" {role}\n{message['content']} \n") parts.append(" assistant\n") return "".join(parts) def render_gemma4_turn(messages, empty_thought_channel=False): parts = [" "] for message in messages: role = "model" if message["role"] == "assistant" else message["role"] if role == "tool": role = "user" parts.append(f" {role}\n{message['content'].strip()} \n") parts.append(" model\n") if empty_thought_channel: parts.append(" thought\n ") return "".join(parts) def render_prompt(model_id, tokenizer, messages): model_key = model_id.lower() if "gemma-4" in model_key: try: return tokenizer.apply_chat_template( messages, tokenize=False, add_generation_prompt=True, enable_thinking=False, ) except Exception: return render_gemma4_turn( messages, empty_thought_channel=("26b" in model_key or "31b" in model_key), ) try: return tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True) except Exception: return render_chatml(messages) prompt = render_prompt(model_id, tokenizer, messages) sampling = SamplingParams( temperature=0.0, top_p=1.0, max_tokens=1024, repetition_penalty=1.0, ) outputs = llm.generate([prompt], sampling_params=sampling) print(outputs[0].outputs[0].text) ``` 권장 출력 형식: ```json { "analysis": "brief reasoning about the next terminal action", "plan": "short execution plan", "commands": [ {"keystrokes": "ls -la\n", "duration": 0.1} ], "task_complete": false } ``` 평가와 동일한 replay 명령: ```bash python tb2_lite/scripts/replay_eval.py \ --model LLM-OS-Models/KoHRM-Text-1.4B-raw-checkpoints \ --model-short LLM-OS-Models__KoHRM-Text-1.4B-raw-checkpoints \ --eval-path tb2_lite/data/replay_full.jsonl \ --output-dir /home/work/.data/tb2_lite_eval/corrected_readme_models_vllm \ --dtype bfloat16 \ --tp 1 \ --max-model-len 49152 \ --max-tokens 1024 \ --temperature 0.0 \ --top-p 1.0 \ --gpu-memory-utilization 0.92 \ --language-model-only ``` - 기본 권장 tensor parallel: `1`. OOM이면 `--tp`와 `tensor_parallel_size`를 2/4/8로 올리세요. - corrected TB2-lite 평가는 `temperature=0.0`, `top_p=1.0`, `max_tokens=1024`로 고정했습니다. - Gemma 4는 JSON 출력을 위해 `enable_thinking=False`를 사용하고, 26B/31B 계열은 평가 코드에서 empty thought channel 처리를 자동 적용합니다. ## 평가 상태 - Current corrected TB2-lite score: `pending` - Reason: 현재 `/home/work/.data/tb2_lite_eval/corrected_readme_models_vllm` 집계 결과와 이 HF repo명이 직접 매칭되지 않았습니다. - Next step: 동일한 `tb2_lite/scripts/replay_eval.py` 경로로 평가를 돌린 뒤 점수 카드로 자동 교체합니다. ## 모델군 해석 - 이 repo는 아직 현재 corrected TB2-lite 집계 JSON과 직접 매칭되는 점수가 없습니다. - TB2-lite 점수는 일반 지능 벤치마크가 아니라 터미널 next-action JSON 재현 능력을 측정합니다. - 생성 명령은 실제 실행 전에 sandbox, allowlist, human review 같은 안전장치를 거쳐야 합니다.
