llm 11

• MMLU와 HumanEval, 점수 하나로 모델을 뽑으면 망하는 이유: 2026년 3월 기준 LLM 벤치마크 해석법 2026/03/08
• 2026년 3월 기준 LoRA/QLoRA 파인튜닝 실전 튜토리얼: 4-bit NF4 + PEFT + TRL로 “효율”을 끝까지 뽑아내기 2026/03/03
• Chain-of-Thought(CoT) 2026 심층 가이드: “생각을 쓰게”가 아니라 “비용/정확도”를 최적화하라 2026/02/26
• LLM 성능평가의 함정: 2026년 2월 기준 MMLU·HumanEval 벤치마크를 “숫자”가 아니라 “방법”으로 읽는 법 2026/02/19
• 2026년 2월 기준: LoRA/QLoRA로 LLM Fine-tuning을 “현실적으로” 끝내는 방법 (원리+실전) 2026/02/14
• 생각을 “보이게” 만들지 말고 “결과를 강하게” 만들자: 2026년형 Chain of Thought 고급 프롬프트 최적화 2026/02/09
• MMLU 점수 90점의 함정: 2026년 2월 기준 LLM 벤치마크(MMLU·HumanEval) 해석 가이드 2026/02/02
• LoRA vs QLoRA, 2026년 1월 기준 “진짜 효율”로 LLM Fine-tuning 하는 법 (원리+실전코드) 2026/01/28
• Chain of Thought, 2026년식으로 다시 쓰기: “생각을 길게”가 아니라 “검증 가능한 추론 파이프라인”을 설계하라 2026/01/23
• AI로 빠르게 프로토타이핑하는 나만의 방법 🤖 2025/12/20
• LangChain으로 RAG 시스템 구축하기 📚 2025/12/10