BCCard/Llama-3.1-8B-kor-BCGPT is a Korean and Financial knowledge model based on Llama 3.1 8B.
BC Card, which is the largest credit card company in Korea, is a question/answer model learned using Korean financial datasets.
How to Use
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
model_id = "BCCard/Llama-3.1-8B-Kor-BCGPT"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id,
torch_dtype=torch.bfloat16,
device_map="auto",
)
model.eval()
instruction = "μμΈμ μ λͺ
ν κ΄κ΄ μ½μ€λ₯Ό λ§λ€μ΄μ€λ?"
messages = [
{"role": "user", "content": f"{instruction}"}
]
input_ids = tokenizer.apply_chat_template(
messages,
add_generation_prompt=True,
return_tensors="pt"
).to(model.device)
terminators = [
tokenizer.eos_token_id,
tokenizer.convert_tokens_to_ids("<end_of_turn>")
]
outputs = model.generate(
input_ids,
max_new_tokens=2048,
eos_token_id=terminators,
do_sample=True,
temperature=0.6,
top_p=0.9,
)
print(tokenizer.decode(outputs[0][input_ids.shape[-1]:], skip_special_tokens=True))
Generated Text
μμΈμ μ λͺ
ν κ΄κ΄ μ½μ€λ‘λ λ€μκ³Ό κ°μ μ½μ€λ₯Ό μΆμ²ν©λλ€.
**μ½μ€ 1: μμΈμ μ ν΅ λ¬Έν 체ν**
- **λλλ¬Έ μμ₯:** λ€μν μ ν΅ μμκ³Ό λ¬Όνμ 체νν μ μλ μμ₯.
- **μΈμ¬λ:** μ ν΅ νμ₯ 건μΆλ¬Όκ³Ό λ
νΉν μνμ κ°μν μ μλ κ³³.
- **λΆμ΄ νμ₯λ§μ:** μ ν΅ νμ₯μ λλ¬λ³Ό μ μλ κ΄κ΄ λͺ
μ.
**μ½μ€ 2: μμΈμ μμ° λͺ
μ**
- **νκ°:** μμΈ μλ΄λ₯Ό λ°λΌ νλ₯΄λ κ°μΌλ‘ μμ κ±° νκΈ°λ μ°μ±
μ μ¦κΈΈ μ μμ΅λλ€.
- **μ°λ¨λ:** λ€μν νλκ·Έμ μ€ν μ΄μ μΉ΄νκ° λ°μ§λ μ§μ.
- **λΆνμ°:** μμΈμ μμ°μ μ¦κΈΈ μ μλ μ°μΌλ‘ μ°μ±
μ΄λ λ±μ°μ ν μ μμ΅λλ€.
**μ½μ€ 3: μμΈμ νλ λ¬Έν**
- **λͺ
λ:** μΌνκ³Ό λ¬Έν 체νμ μ€μ¬μ§λ‘ λ€μν μΉ΄νμ ν΄λ½μ΄ μμ΅λλ€.
- **νλ:** λ€μν λ¬Ένμ μμ μ 체νν μ μλ μ§μμΌλ‘ 곡μ°κ³Ό μ μνκ° λ§μ΅λλ€.
- **κ°λ¨:** μ μ μ¬λλ€μ ν«νλ μ΄μ€λ‘ λ€μν ν΄λ½κ³Ό λ μ€ν λμ΄ μμ΅λλ€.
Q&A
Q. λΉμ¨μΉ΄λ CEOκ° λꡬμΈμ§, κ·Έλ¦¬κ³ λ³Έμ¬ μμΉ, νμμ΄ λ¬΄μμΈμ§?
A. λΉμ¨μΉ΄λμ νμ¬ CEOλ μ΅μμμ
λλ€. μ΅ CEOλ 2019λ
μ μ·¨μνμ¬ νμ¬κΉμ§ μ΄λκ³ μμ΅λλ€. μ΅ CEOλ λΉμ¨μΉ΄λλ₯Ό λμ§νΈ νμ μ μ λμ£Όμλ‘ λ§λ€κΈ° μν΄ λ€μν μ λ΅μ μΆμ§νκ³ μμ΅λλ€. μλ₯Ό λ€μ΄, λΈλ‘μ²΄μΈ κΈ°μ μ νμ©ν κΈμ΅ μλΉμ€ νλ, λμ§νΈ κ²°μ μμ€ν
κ°ν, κΈλ‘λ² μμ₯ μ§μΆ λ±μ μ κ·Ή μΆμ§νκ³ μμ΅λλ€.
λΉμ¨μΉ΄λμ λ³Έμ¬λ μμΈνΉλ³μ μ€κ΅¬ μμ§λ‘4κ° μμ§νΈμνμμ μμΉν΄ μμ΅λλ€. μ£Όμ μ¬μ
μΌλ‘λ μ μ©μΉ΄λ λ°κΈ, κ°λ§Ήμ κ΄λ¦¬, λͺ¨λ°μΌ κ²°μ μλΉμ€, κ·Έλ¦¬κ³ λ€μν κΈμ΅ μ루μ
μ μ 곡ν©λλ€. μ΅ CEOλ λΉμ¨μΉ΄λλ₯Ό κ³ κ° μ€μ¬μ λμ§νΈ κΈμ΅ κΈ°μ
μΌλ‘ μ ννκΈ° μν΄ λ€μν λ
Έλ ₯μ κΈ°μΈμ΄κ³ μμ΅λλ€. μλ₯Ό λ€μ΄, λͺ¨λ°μΌ μ±μ κ°μ , λΉλλ©΄ μλΉμ€ νλ, κ³ κ° λ§μΆ€ν κΈμ΅ μν μ 곡 λ±μ ν΅ν΄ κ³ κ° λ§μ‘±λλ₯Ό λμ΄κ³ μμ΅λλ€.
νμ¬ μ£Όμ νμμΌλ‘λ λ°μ΄ν° νμ©μ κΈ°λ°ν κΈμ΅ μλΉμ€ μ 곡과 κΈλ‘λ² μμ₯μμμ κ²½μλ ₯ κ°νμ
λλ€. λΉμ¨μΉ΄λλ AIμ λΉ
λ°μ΄ν°λ₯Ό νμ©νμ¬ κ³ κ° λ§μΆ€ν μλΉμ€λ₯Ό μ 곡νκ³ μμΌλ©°, ν΄μΈμμ λ€μν κ²°μ μμ€ν
μ λμ
νμ¬ κΈλ‘λ² λ€νΈμν¬λ₯Ό νμ₯νκ³ μμ΅λλ€.
Q. νμ΄λΆ λ¨Έλμ λν μ€λͺ
ν΄μ£ΌμΈμ.
A. νμ΄λΆ μ± λ΄μμ μ¬μ©νλ μ μ© μμ°μΈ 'νμ΄λΆ λ¨Έλ'λ λ€μκ³Ό κ°μ νΉμ§μ κ°μ§κ³ μμ΅λλ€: 1. μΆ©μ : νμ΄λΆ λ¨Έλλ νμμ λ°λΌ μ μ©μΉ΄λλ λ€λ₯Έ κ²°μ μλ¨μ ν΅ν΄ μΆ©μ ν μ μμ΅λλ€. 2. μ¬μ©: νμ΄λΆ λ¨Έλλ λ€μν κ²°μ μ μ¬μ©ν μ μμΌλ©°, νΉμ ννμ΄λ ν μΈ ννμ λ°μ μ μλ νλλ μΆ©μ ν μ μμ΅λλ€. 3. μλ©Έ: νμ΄λΆ λ¨Έλλ μ ν¨κΈ°κ°μ΄ μμΌλ―λ‘, μ ν¨κΈ°κ° μ μ μ¬μ©νμ§ μμΌλ©΄ μλ©Έλ μ μμ΅λλ€. λ°λΌμ νμ΄λΆ λ¨Έλμ μ ν¨κΈ°κ°κ³Ό μ¬μ© κ°λ₯ μ¬λΆλ₯Ό μ£ΌκΈ°μ μΌλ‘ νμΈνλ κ²μ΄ μ€μν©λλ€. 4. μ¬μ©μ²: νμ΄λΆ λ¨Έλλ νμ΄λΆ μ± λ΄μμ λ€μν κ°λ§Ήμ κ³Ό μλΉμ€μ μ¬μ©ν μ μμ΅λλ€. μ΄λ₯Ό ν΅ν΄ νμ΄λΆμ ν΅ν΄ κ²°μ ν λ μΆκ° ννμ λ°μ μ μμ΅λλ€. 5. κ΄λ¦¬: νμ΄λΆ μ±μμ νμ΄λΆ λ¨Έλμ μμ‘, μΆ©μ λ΄μ, μλ©Έ μμ κΈμ‘ λ±μ νμΈν μ μμΌλ©°, νμμ λ°λΌ μΆ©μ μ΄λ μλ©Έ μλ°© μ‘°μΉλ₯Ό μ·¨ν μ μμ΅λλ€.
Q. μΉ΄λ μ°μ²΄νλ©΄ μ΄λ»κ² λΌ? λ μ κ°κ³ μΆμ΄. μ κ°μμΌ νλμ§ μμΈν λ§ν΄λ΄.
A. μΉ΄λ μ°μ²΄λ μ μ©λ±κΈμ λ§€μ° λΆμ μ μΈ μν₯μ λ―ΈμΉ©λλ€. μ°μ²΄ κΈ°λ‘μ μ μ©λ³΄κ³ μμ λ³΄κ³ λμ΄, μ΄λ λ€λ₯Έ κΈμ΅κΈ°κ΄μμ μ μ©μ μ κ³μ°μ μν₯μ λ―ΈμΉ©λλ€. μ μ©λ±κΈμ΄ νλ½νλ©΄, λμΆ, μ μ©μΉ΄λ λ°κΈ λ± κΈμ΅ κ±°λμ μ΄λ €μμ κ²ͺμ μ μμ΅λλ€. μ°μ²΄ μ΄μκ° λΆκ³Όλλ©°, μ΄λ μ°μ²΄ κΈμ‘μ κ³ μ κΈλ¦¬ λλ λ³λκΈλ¦¬κ° μ μ©λ©λλ€. μλ₯Ό λ€μ΄, 100λ§μμ μ°μ²΄ν κ²½μ° μ μ΄μμ¨μ΄ 2%λΌλ©΄, 첫 λ¬ μ΄μλ 2λ§μ, λ λ¬ μ΄μλ μ½ 2λ§2μ²μμ΄ λ©λλ€. μ°μ²΄κ° κΈΈμ΄μ§μλ‘ μ΄μμ μ°μ²΄κΈμ‘μ΄ μ¦κ°νλ©°, μ±κΆ μΆμ¬ μ μ°¨λ₯Ό ν΅ν΄ μ€μ λμ νμνλ € ν μ μμ΅λλ€.
Q. μΉ΄λ ν λΆλ₯Ό νλλ° κ²°μ ν κ°λ§Ήμ μ΄ λ§νμ΄. 보μ λ°μ μ μμ΄?
A.μΉ΄λ ν λΆμ κ²½μ° κ°λ§Ήμ μ΄ κ²½μλ λ±μ μ΄μ λ‘ λκΈμ κ²°μ νμ§ λͺ»ν κ²½μ°, μΉ΄λμ¬κ° μ΄λ₯Ό λμ λΆλ΄νκ² λ©λλ€. λ°λΌμ κ°λ§Ήμ μ΄ λ§νλλΌλ μΉ΄λ κ²°μ κΈμ‘μ μΉ΄λμ¬μμ λΆλ΄νλ©°, κ³ κ°μ μ ν΄μ§ ν λΆ κΈ°κ° λμ νΉμ κΈμ‘λ§ λ©λΆνλ©΄ λ©λλ€.
Q. K-ν¨μ€ μΉ΄λ ν μΈ ννλ μλ €μ€λ΄
A. **K-ν¨μ€ μΉ΄λ ν μΈ νν**
### ν΄μΈμ¬ν λ° κ³ μλ²μ€ ν μΈ νν
- **KORAIL κ³ μλ²μ€ λ° SRT**: μ΅λ 10% ν μΈ νν μ 곡
- **KTX**: μ΅λ 10% ν μΈ νν μ 곡
- **ν΄μΈμ¬ν ν곡κΆ**: νκ³΅κΆ κ΅¬λ§€ μ μ΅λ 5,000μ ν μΈ νν μ 곡
- **ν΄μΈμ¬ν λ보거리 3km λ΄ κ΅ν΅μλ¨**: λμ€κ΅ν΅ μ΄μ© μ μ΅λ 10% ν μΈ νν μ 곡
### λμ€κ΅ν΅ ν μΈ νν
- **KORAIL**: κ³ μλ²μ€ λ° SRT μ΄μ© μ μ΅λ 10% ν μΈ νν μ 곡
- **κ΅λ΄μ μ© μ ν΄μΉ΄λ**: λμ€κ΅ν΅ μ΄μ© μ μ΅λ 10% ν μΈ νν μ 곡
- **ν΄μΈμ¬ν λ보거리 3km λ΄ κ΅ν΅μλ¨**: λμ€κ΅ν΅ μ΄μ© μ μ΅λ 10% ν μΈ νν μ 곡
### ν΄μΈ κ²°μ ν μΈ νν
- **ν΄μΈ κ°λ§Ήμ μ΄μ© μ**: κ²°μ κΈμ‘μ μ΅λ 3% ν μΈ νν μ 곡
### ν΅μ μκΈ ν μΈ νν
- **ν΅μ μ¬ μ ν΄ μΉ΄λ μ¬μ© μ**: μ μ΅λ 10,000μ ν μΈ νν μ 곡
### μΌν ν μΈ νν
- **λ°μΌλ¦¬μλ κ°λ§Ήμ μ΄μ© μ**: κ²°μ κΈμ‘μ μ΅λ 5% ν μΈ νν μ 곡
- **νΉμ μΌνλͺ° μ΄μ© μ**: μ΅λ 10% ν μΈ νν μ 곡
μΉ΄λ κ΄λ ¨ λ¬Έμλ 1588-4000μΌλ‘ λΆν λ립λλ€.
Q. λ€μ λ΄μ©μ μμ΄λ‘ λ²μν΄μ£ΌμΈμ.
μΌμ΄λ±
ν¬μμ μΉ΄λλ‘ 300λ§μμ μΆκ°λ‘ λ°μμ κ²½μ°, λμΆ νλμ μν₯μ λ―ΈμΉ μ μμ΅λλ€. κ° λμΆ μνμ λ³λλ‘ κ΄λ¦¬λλ―λ‘, μ μ©λμΆ νλμ μΉ΄λλ‘ νλλ κ°κ° μ μ©λ©λλ€. λ€λ§, μ 체 λΆμ± κ·λͺ¨κ° μ»€μ§ κ²½μ° μ μ©λ±κΈμ μν₯μ μ€ μ μμΌλ―λ‘, μν λ₯λ ₯μ κ³ λ €νμ¬ μ μ€ν κ΄λ¦¬νλ κ²μ΄ μ€μν©λλ€.
A. If you have received an additional 3,000,000 KRW of card loan, it may affect the loan limit. Each loan product is managed separately, so the sin credit limit and card loan limit are applied separately. However, if the overall debt size becomes too large, it may affect the credit score, so consider your repayment ability and manage it carefully.
Q. λ€μ λ΄μ©μ μμ΄λ‘ λ²μν΄μ€
κ·Έλ¦°μΉ΄λλ μμ½ μΉνκ²½ λΌμ΄νμ€νμΌμ μ§μνλ μΉ΄λλ‘, λ€μν μΉνκ²½ ννμ μ 곡ν©λλ€. μ£Όμ ννμΌλ‘λ μΉνκ²½ μμμ , μΌνλͺ°, μΉνκ²½ μ€ν λ±μμ ν μΈ ννμ λ°μ μ μμΌλ©°, μ κΈ°μ°¨ μΆ©μ μμμμ ν μΈ ννλ μ 곡λ©λλ€. λν, μμ½ ν¨μ
λΈλλμμμ ν μΈ ννκ³Ό μμ½ μΉνκ²½ μ ν ꡬ맀 μ ν¬μΈνΈ μ 립 ννλ μμ΅λλ€. μ΄ μΉ΄λλ νκ²½ 보νΈλ₯Ό μ€μ²ν μ μλ λ€μν λ°©λ²μ μ 곡νμ¬, κ·Έλ¦° λΌμ΄νμ€νμΌμ μΆκ΅¬νλ κ³ κ°μκ² μ ν©ν©λλ€.
A.
μμ΄ λ²μ:
The Green Card is a card that supports an Eco-Friendly and Green Lifestyle. It provides various eco-friendly benefits, including discounts at eco-friendly restaurants, shopping malls, and eco-friendly spas, as well as at electric vehicle charging stations. Additionally, it offers discounts at eco-fashion brands and rewards points for purchasing eco-friendly products. This card provides a variety of ways to put environmental protection into practice, making it suitable for customers who pursue a green lifestyle.
Correspondence to
- Taeyoung Lee ([email protected])
License
The use of this model is governed by the Llama 3.1
Citation
If you use this model in your research, please cite it as follows:
@misc{alpha-instruct,
author = {BCCard},
title = {BCGPT},
year = {2025},
publisher = {Hugging Face},
journal = {Hugging Face repository},
url = {https://huggingface.co/BCCard/Llama-3.1-Kor-BCGPT},
}
Inference Providers
NEW
This model is not currently available via any of the supported third-party Inference Providers, and
HF Inference API was unable to determine this model's library.
Model tree for BCCard/Llama-3.1-8B-Kor-BCGPT
Base model
meta-llama/Llama-3.1-8B
Finetuned
meta-llama/Llama-3.1-8B-Instruct
Finetuned
sh2orc/Llama-3.1-Korean-8B-Instruct