PinnedYoungjoon Jang·Jul 10, 2024[KURE] 최초의 한국어 특화 임베딩 모델-2024.12.23 updated“한국어 임베딩”A response icon2A response icon2
Youngjoon Jang·Sep 2KURE-v2: A Korean-English Bilingual Late-Interaction Retrieval ModelSingle-vector retrieval is fast and efficient. Most embedding-based retrieval models today, including KURE-v1, follow this architecture by…
Youngjoon Jang·Sep 2KURE-v2: 한국어–영어 이중 언어 Late-Interaction 검색 모델문서를 하나의 벡터로 표현하는 Single-Vector Retrieval은 빠르고 효율적입니다. KURE-v1을 비롯한 오늘날 대부분의 임베딩 검색 모델도 이 구조를 사용합니다.
Youngjoon Jang·Jul 30Introducing rebuttal-skills: ReviewSearch & RebuttalDraftYour reviews are out. Let your agents help your rebuttal.
Youngjoon Jang·Dec 18, 2025SPLADE, Inference-Free SPLADE에 관하여 (+한국어 모델 학습기)Embedding Model 이라는 포괄적인 용어는 입력 (주로 텍스트)을 해당 입력의 의미를 포착하는 벡터 표현 (임베딩)으로 변환하는 모델을 말한다. 원본 입력과는 달리, 이러한 임베딩에 대해서는 수학적 연산을 수행할 수 있으며, 그 결과로…
Youngjoon Jang·Mar 14, 2025(Re)Ranker 모델 학습을 위한 다양한 Loss를 알아보자 (feat. Learning To Rank - ListMLELoss, ListNetLoss, LambdaLoss)현대 RAG 파이프라인에서 Reranker는 Embedding model과 더불어 필수적인 모듈 중 하나이다. Embedding model과 Reranker의 차이는 다음 그림으로 이해할 수 있다.
Youngjoon Jang·Dec 23, 2024MTEB: Massive Text Embedding Benchmark에 관하여 feat. MTEB-ko-retrieval Leaderboard, data contributionMTEB-ko-retrieval !
Youngjoon Jang·Dec 12, 2024임베딩모델의 다양한 Loss 함수(feat. GISTEmbedLoss)MultipleNegativesRankingLoss vs. MultipleNegativesSymmetricRankingLoss vs. GISTEmbedLoss
![[KURE] 최초의 한국어 특화 임베딩 모델-2024.12.23 updated](https://miro.medium.com/v2/resize:fill:160:106/0*WnqgW1RUhYC-TIt8.jpg)
![[KURE] 최초의 한국어 특화 임베딩 모델-2024.12.23 updated](https://miro.medium.com/v2/resize:fill:320:214/0*WnqgW1RUhYC-TIt8.jpg)
![[분산 처리 4] - ZeRO-DP 완전 이해 (feat. Deepspeed)](https://miro.medium.com/v2/resize:fill:160:106/0*aeFGbIH2a7w4Bv-9.png)
![[분산 처리 4] - ZeRO-DP 완전 이해 (feat. Deepspeed)](https://miro.medium.com/v2/resize:fill:320:214/0*aeFGbIH2a7w4Bv-9.png)
