Update model card with corrected TB2-lite evaluation

README.md

@@ -1,42 +1,212 @@
 ---
-license: apache-2.0
+language:
+- en
+- ko
 library_name: transformers
-base_model: google/gemma-4-E4B-it
+pipeline_tag: text-generation
 tags:
-- gemma-4
-- terminal-agent
-- full-finetuning
+- terminal
+- sft
+- vllm
 - tb2-lite
-- gemma4-native-template
+base_model: google/gemma-4-E4B-it
 ---
 
 # LLM-OS-Models/gemma-4-E4B-it-Terminal-SFT-Native-Liquid-2Epoch
 
-## Summary
+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: `google/gemma-4-E4B-it`
-- Source dataset/cache: `/home/work/.data/gemma4_native_sft/datasets/google__gemma-4-E4B-it__liquid_raw_json_masked_8192`
-- Training format: Gemma 4 native chat template
-- Labels: assistant JSON command response only
-- Prompt/history labels are masked with `-100`
-- Previous assistant thinking blocks are stripped from history
+- Training setup: `2 epochs, Gemma native Liquid preprocessing`
+- Evaluation snapshot: `2026-05-09 19:31:47 UTC`
+- Evaluation result id: `gemma4_e4b_it_native_e2`
 
-## TB2-lite
+## Quickstart
 
-- Result: `pending`
+설치와 로그인:
+
+```bash
+pip install -U vllm transformers huggingface_hub
+huggingface-cli login
+```
 
-## Notes
+관련 코드:
 
-- Source checkpoint: `/home/work/.data/gemma4_native_sft/models/google__gemma-4-E4B-it__terminal_sft_native_liquid_2epoch/checkpoint-2042`
-- Checkpoint step: `2042`
-- Trainer epoch: `2.0000`
-- TB2-lite score: pending GPU evaluation
-- Upload policy: checkpoint uploaded immediately after save; score card updates after evaluation.
+- 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`
 
-## Loading
+vLLM 직접 실행 예시. 평가 코드와 동일하게 chat template을 우선 사용하고, template이 없으면 ChatML/Gemma fallback을 사용합니다.
 
 ```python
-from transformers import AutoModelForCausalLM, AutoTokenizer
-tokenizer = AutoTokenizer.from_pretrained("LLM-OS-Models/gemma-4-E4B-it-Terminal-SFT-Native-Liquid-2Epoch")
-model = AutoModelForCausalLM.from_pretrained("LLM-OS-Models/gemma-4-E4B-it-Terminal-SFT-Native-Liquid-2Epoch", torch_dtype="auto")
+from transformers import AutoTokenizer
+from vllm import LLM, SamplingParams
+
+model_id = "LLM-OS-Models/gemma-4-E4B-it-Terminal-SFT-Native-Liquid-2Epoch"
+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"<|im_start|>{role}\n{message['content']}<|im_end|>\n")
+    parts.append("<|im_start|>assistant\n")
+    return "".join(parts)
+
+def render_gemma4_turn(messages, empty_thought_channel=False):
+    parts = ["<bos>"]
+    for message in messages:
+        role = "model" if message["role"] == "assistant" else message["role"]
+        if role == "tool":
+            role = "user"
+        parts.append(f"<|turn>{role}\n{message['content'].strip()}<turn|>\n")
+    parts.append("<|turn>model\n")
+    if empty_thought_channel:
+        parts.append("<|channel>thought\n<channel|>")
+    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/gemma-4-E4B-it-Terminal-SFT-Native-Liquid-2Epoch \
+  --model-short gemma4_e4b_it_native_e2 \
+  --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 \
+  --thinking-mode off \
+  --strip-thinking-history auto \
+  --gemma4-empty-thought-channel auto \
+  --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 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: `1 / 7`
+- Score: `34.98`
+- Command F1: `0.3498`
+- Command precision: `0.4737`
+- Command recall: `0.3576`
+- First command exact: `30.4%`
+- Valid JSON: `35.0%`
+- Steps / tasks: `303 / 50`
+- Sec/step: `0.277`
+- Load time: `53.2s`
+- Template status: `model_specific_or_mixed`
+- Rank eligible: `True`
+- Eval timestamp: `2026-05-09T19:31:44.722674`
+- 현재 집계된 평가 결과 수: `7`
+
+Prompt/template audit:
+
+```json
+{
+  "template_status": "model_specific_or_mixed",
+  "rank_eligible": true,
+  "steps": 303,
+  "tasks": 50
+}
+```
+
+## 장점
+
+- 중상위권 점수로, 기본적인 터미널 next-action imitation은 비교적 안정적입니다.
+- 잘못된 명령을 많이 내기보다 보수적으로 맞는 명령을 내는 경향이 있습니다.
+
+## 모델군 해석
+
+- 이 repo는 Gemma 4 전용 chat template, thinking history 제거, assistant JSON-only target, base 모델 template 주입 정책으로 다시 학습한 native Liquid 결과입니다.
+- 기존 Gemma SFT의 낮은 점수는 template/target 포맷 충돌과 일부 checkpoint/export 문제를 포함했으므로, 이 native 결과를 새 기준으로 봐야 합니다.
+- 속도는 `0.277` sec/step 수준으로 빠른 편입니다.
+- RL 후보성: native 재평가에서도 이 수준 이상이면 Gemma 후보 1개를 추가할 만합니다.
+
+## 한계와 주의사항
+
+- recall이 상대적으로 낮아 필요한 명령 일부를 빠뜨릴 수 있습니다.
+- JSON 형식 실패가 있어 실행 전에 파싱 검증/재시도가 필요합니다.
+- Gemma 계열은 학습/평가 chat template 불일치에 민감하므로 vLLM chat_template 경로로만 비교해야 합니다.
+- 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.