Update model card with corrected TB2-lite evaluation

README.md

@@ -0,0 +1,143 @@
+---
+language:
+- en
+- ko
+library_name: transformers
+pipeline_tag: text-generation
+tags:
+- terminal
+- sft
+- vllm
+- tb2-lite
+base_model: ByteDance/Ouro-1.4B-Thinking
+---
+
+# LLM-OS-Models/Ouro-1.4B-Thinking-Terminal-SFT
+
+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: `ByteDance/Ouro-1.4B-Thinking`
+- Training setup: `Terminal SFT`
+- Evaluation snapshot: `2026-05-07 22:48:08 UTC`
+- Evaluation result id: `ouro_1p4b_thinking_terminal_sft`
+
+## 사용 방법
+
+Transformers 예시:
+
+```python
+from transformers import AutoModelForCausalLM, AutoTokenizer
+import torch
+
+model_id = "LLM-OS-Models/Ouro-1.4B-Thinking-Terminal-SFT"
+tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
+model = AutoModelForCausalLM.from_pretrained(
+    model_id,
+    torch_dtype=torch.bfloat16,
+    device_map="auto",
+    trust_remote_code=True,
+)
+
+messages = [
+    {"role": "system", "content": "You are a terminal automation assistant. Return JSON only."},
+    {"role": "user", "content": "List the current directory and identify Python files."},
+]
+prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
+inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
+outputs = model.generate(**inputs, max_new_tokens=512, do_sample=False)
+print(tokenizer.decode(outputs[0][inputs.input_ids.shape[-1]:], skip_special_tokens=False))
+```
+
+vLLM 예시:
+
+```python
+from vllm import LLM, SamplingParams
+from transformers import AutoTokenizer
+
+model_id = "LLM-OS-Models/Ouro-1.4B-Thinking-Terminal-SFT"
+tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
+llm = LLM(model=model_id, dtype="bfloat16", trust_remote_code=True)
+messages = [{"role": "user", "content": "Show disk usage for the current folder."}]
+prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
+result = llm.generate([prompt], SamplingParams(temperature=0.0, max_tokens=512))
+print(result[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
+}
+```
+
+## 평가 결과
+
+평가는 corrected TB2-lite replay set에서 vLLM으로 수행했습니다. 순위 점수는 `100 * avg_command_f1`만 사용하고, `first_cmd_exact_pct`는 보조 지표로만 봅니다.
+
+- Rank: `22 / 47`
+- Score: `31.74`
+- Command F1: `0.3174`
+- Command precision: `0.4062`
+- Command recall: `0.3410`
+- First command exact: `24.8%`
+- Valid JSON: `63.7%`
+- Steps / tasks: `303 / 50`
+- Template status: `chat_template`
+- Rank eligible: `True`
+- Eval timestamp: `2026-05-07T22:48:02.585588`
+- 현재 집계된 평가 결과 수: `47`
+
+재현 명령 예시:
+
+```bash
+python tb2_lite/scripts/replay_eval.py \
+  --model LLM-OS-Models/Ouro-1.4B-Thinking-Terminal-SFT \
+  --model-short ouro_1p4b_thinking_terminal_sft \
+  --eval-path tb2_lite/data/replay_full.jsonl \
+  --output-dir /home/work/.data/tb2_lite_eval/corrected_readme_models_vllm \
+  --dtype bfloat16 \
+  --max-model-len 49152 \
+  --max-tokens 1024 \
+  --temperature 0.0 \
+  --top-p 1.0 \
+  --gpu-memory-utilization 0.94 \
+  --language-model-only
+```
+
+Prompt/template audit:
+
+```json
+{
+  "template_status": "chat_template",
+  "rank_eligible": true,
+  "steps": 303,
+  "tasks": 50
+}
+```
+
+## 장점
+
+- 특정 크기/가속 경로에서 비용 대비 빠른 추론을 기대할 수 있습니다.
+- 잘못된 명령을 많이 내기보다 보수적으로 맞는 명령을 내는 경향이 있습니다.
+
+## 한계와 주의사항
+
+- recall이 상대적으로 낮아 필요한 명령 일부를 빠뜨릴 수 있습니다.
+- JSON 형식 실패가 있어 실행 전에 파싱 검증/재시도가 필요합니다.
+- Ouro 계열은 assistant-only masking 및 prompt template 일치 여부가 성능 해석에 큰 영향을 줍니다.
+- 이 모델은 자동 터미널 조작 보조용 SFT 모델이며, 일반 대화/범용 추론 성능을 보장하지 않습니다.
+- 생성 명령은 실제 실행 전에 sandbox, allowlist, human review 같은 안전장치를 거쳐야 합니다.
+
+## 해석 메모
+
+TB2-lite 점수는 일반 지능 벤치마크가 아니라 터미널 next-action JSON 재현 능력을 측정합니다. 따라서 모델 크기, chat template 일치, assistant-only masking, tokenizer, 학습 데이터 holdout 여부가 모두 점수에 영향을 줍니다.
+
+README.md와 MODEL_EVALUATION_REPORT.md의 값이 더 최신이면 해당 값을 우선 확인하세요. 이 모델카드는 완료된 평가 JSON을 기준으로 개별 저장소에 빠르게 반영한 스냅샷입니다.