moche-0.5B-base

<div align="center">

<a href="https://moche.ai"><img src="https://raw.githubusercontent.com/moche-ai/moche-core/main/brand/hero.gif?v=h3" width="100%" alt="moche"></a>

moche-0.5B-base

한국어+영어 프롬스크래치 0.5B — 툴 오케스트레이션 · 온디바이스 (native track)

<a href="https://github.com/moche-ai/moche-core"><img src="https://raw.githubusercontent.com/moche-ai/moche-core/main/brand/hdr-native-g5-05.png" width="100%" alt="native"></a>

</div> <div align="center"> <img src="https://raw.githubusercontent.com/moche-ai/moche-core/main/brand/anatomy-core-05.png?v=h5" width="100%" alt="moche roadmap — one core, capabilities you attach"> <br>_{One core. Organs you attach — moche-0.5B-base = 코어(초록). 감각·기능(SPEECH/SIGHT/… )은 아직 없는 미래 어댑터(G2→G4).} </div>

자동생성 카드 — eval/gen_model_card.py 재실행 시 '현재 상태'가 갱신됩니다. (기준 2026-07-14 09:40) 명명 규약: moche-{size}-{stage} (docs/VERSIONING.md).

한국어+영어 프롬스크래치 0.5B(480M 파라미터, tied embeddings) 모델. 북극성 = 툴 오케스트레이션 + 엣지 배포. 지식은 moche 자체 RAG(전용 임베더+리랭커, self-contained) 로 오프로드하고 코어는 작게 유지한다. 사전학습(base) 완주 후 지식 mid-train(→moche-0.4b-mid) + 툴 SFT(→moche-0.4b-instruct) 로 이어진다.

왜 0.5B인가: 툴 오케스트레이션은 지식이 아니라 구조 학습이라 소형이 잘한다(폰 Q4 ~250MB). 토큰량은 edge footprint 고정 시 유력한 레버이나(Qwen2.5-0.5B=18조 토큰 참고), diminishing return·용량 상한을 곡선으로 실측해 스케일을 정한다(고정 100B 아님). 지금 base는 정직한 원점.

moche = 母體(모체) — AI 생태계가 비롯되는 근원. 명명 규약 = docs/VERSIONING.md.

모델 어댑터 방식의 뇌

moche의 코어는 모든 지식과 기능을 한 가중치에 고정하는 거대한 단일 모델이 아니라, 작은 공통 두뇌가 상황에 맞는 어댑터와 도구를 선택하는 구조를 지향한다. base는 언어·추론의 공통 기반, mid는 지식 밀도, SFT는 대화·툴 호출 형식을 맡는다. 이후 도메인 어댑터는 코어를 교체하지 않고 능력을 덧붙이고, 외부 지식은 RAG, 실행은 검증 가능한 도구 호출로 연결한다.

• 작고 이동 가능한 코어: 온디바이스 실행과 낮은 메모리 사용을 우선한다.
• 교체 가능한 능력: 작업별 어댑터를 독립적으로 버전 관리하고 되돌릴 수 있게 한다.
• 지식과 행동의 분리: 최신 지식은 검색 계층, 실제 행동은 명시적 도구 계층이 담당한다.
• 단계적 학습: base → 지식 CPT(mid) → tool/chat SFT → 검증 가능한 RLVR 순으로 능력을 더한다.

<div align="center"> <img src="https://raw.githubusercontent.com/moche-ai/moche-core/main/brand/constel-native.gif?v=h3" width="90%" alt="native constellation"> <br>_{moche native 로드맵: base → mid(지식 CPT) → SFT(툴) → RLVR} </div>

핵심 설계

현재 상태 (🔄 사전학습 진행 중)

• 사전학습: step 5,671 / 5,672 = 100.0% · train loss 3.062 (base = 원점 baseline)
• 로드맵(내부 게이트): G0 배관 ✅ → base 사전학습 🔄 → 지식 CPT(mid) → 툴 SFT(instruct) → 토큰 스케일업(100B+)

성능 (동일 하네스, base-only 공정 비교, 정직하게)

소형 base 체급(0.27–0.6B)에서 같은 평가 하네스로 측정. COPA/HellaSwag=추론·상식, KMMLU/HAERAE=한국어 지식.

정직한 읽기: moche는 6B 토큰(경쟁 모델의 1/10001/6000) 만으로 추론(COPA/HellaSwag)은 체급 1위, KMMLU 중상위다. 낮은 건 HAERAE(한국 문화·역사 지식) 하나 — 아키텍처 결함이 아니라 지식 데이터 노출량 문제이며(같은 하네스에서 gemma-3도 HAERAE 19.5로 동일하게 낮음), 다음 단계 mid-CPT(지식 증류)+토큰누적+RAG로 겨냥한다. 0.5B의 북극성은 지식벤치 1등이 아니라 한국어 툴 오케스트레이션+온디바이스 실사용 품질이다.

사용

nanochat-포맷 state dict → HF-Llama safetensors → GGUF(Q4)/MLX 변환 경로. # model.pt = state dict, config.json = model_config, tokenizer(v2) = RustBPETokenizer

라이선스

CC-BY-NC-4.0 — Creative Commons Attribution-NonCommercial 4.0

• ✅ 연구·비상업 사용 자유: 다운로드·파인튜닝·재배포 (출처 표기 시)
• ✅ 출처 표기(Attribution) 필수: moche-ai/moche-0.5B-base + 라이선스 명시
• ⚠️ 상업적 사용 = 별도 허락 필요 (기본은 비상업)

데이터 출처 · 라이선스 상속 (Provenance)

모델 라이선스는 학습 데이터에 의해 제약됩니다 — 우리 선택이 아니라 데이터 조건의 상속입니다.

→ ClimbMix가 CC-BY-NC라 모델도 비상업이 강제됩니다.

상업 라이선스 문의

상업적 사용을 원하시면 moche-ai (huggingface.co/moche-ai · moche.ai)로 문의하세요. 상업용은 CC-BY-NC 데이터를 제거한 commercial-safe 재학습본 또는 원저작권자 별도 협의가 필요합니다.

출처 표기 예시

This work uses moche-0.5B-base (moche-ai) under CC-BY-NC-4.0.