# \#bespoke-labs
**URL:** https://discuss.pytorch.kr/tag/bespoke-labs/4390.md
[최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md)
---
## [Bespoke Labs, 사실 하나만 바꾼 대조 데이터로 만든 9B 결정 모델 Nimble과 학습 레시피 공개](https://discuss.pytorch.kr/t/bespoke-labs-9b-nimble/12196)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [10월 18, 2026, 10:30오전 UTC](https://discuss.pytorch.kr/t/bespoke-labs-9b-nimble/12196 "2026-10-18T10:30:19Z")
핵심 요약 Bespoke Labs가 Bespoke Nimble 저장소에 Jev식 결정 모델의 학습 데이터, 학습 레시피, 서빙 코드를 공개했습니다. 모델은 Qwen3.5-9B에 LoRA를 붙인 Bespoke-Nimble-9B이고, 답을 생성하지 않고 허용된 답 토큰의 로짓만 읽어 확률을 냅니다. 학습 데이터 2,676개는 거의 같은 두 예제에서 사실 하나만 바꿔 정답을 뒤집는 대조 데이터 큐레이션으로 만들었습니다. 라벨은 모두 모델이 검사한 합성 라벨이며, 사람이 검토하지 않았습니다. 자체 홀드아웃 324개에서 기준 라벨 일치율은 90.12%로, 기반 모델(66.36%)보다 높고 Jev 1.13.0(93.21%)보다 낮았습니다. 사람이 라벨을 단 공개 벤치마크 13개에서는 매크로 평균 74.8%로 Jev(76.0%)에 1.2%p 뒤졌습니다. 가중치 라이선스는 버전마다 다릅니다. 9B와 v2는 Apache 2.0, v3는 CC BY-NC 4.0(비상업)이고, 최신 v4와 v4-max는 가중치 없이 유료 API로만 제공됩니다. Bespoke Nimble 소개 Bespoke Nimble 은 텍스트와 질문 목록(스키마)을 받아, 질문마다 정해진 선택지 중 하나를 고르고 각 선택지의 확률을 돌려주는 결정 모델(Decision Model) 입니다. 추론 과정을 글로 쓰지 않고 한 단계로 답하므로, 라우팅, 정책 확인, 분류, 등급 매기기처럼 코드가 바로 받아 쓸 판단에 맞습니다. 이 형태는 TypeSafe가 9월 14일에 공개한 비공개 모델 Jev에서 왔습니다. Jev와 그 System One 방식은 Jev 소개 글에서 다뤘습니다. Jev가 가중치를 공개하지 않자 커뮤니티에서 재현 프로젝트가 수십 개 나왔습니다. Decision Index와 JevBench로 오픈 결정 모델을 비교한 글에서는 Nimble도 "학습한 헤드와 파인튜닝" 계열의 한 항목으로 짧게 소개했습니다. 이 글은 그 Nimble을 따로 다룹니다. Nimble을 만든 Bespoke Labs는 …
---
## [Open Thoughts: 추론(reasoning) 모델을 위한 양질의 데이터셋 및 모델 프로젝트 (feat. Bespoke Labs & DataComp)](https://discuss.pytorch.kr/t/open-thoughts-reasoning-feat-bespoke-labs-datacomp/6002)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [1월 29, 2025, 11:00오후 UTC](https://discuss.pytorch.kr/t/open-thoughts-reasoning-feat-bespoke-labs-datacomp/6002 "2025-01-29T23:00:26Z")
Open Thoughts 프로젝트 소개 Open Thoughts는 Bespoke Labs와 DataComp 커뮤니티(Stanford, UC Berkeley, UT Austin, UCLA, UNC, LAION 등)가 주도하는 오픈소스 추론 데이터셋 구축 프로젝트입니다. 최근 DeepSeek-R1, SkyT1, STILL-2 등의 모델이 복잡한 문제를 해결하는 추론(reasoning) 능력은 데이터 품질에 크게 좌우되며, 수십만 개의 추론 데이터만으로도 놀라운 성능 향상을 이룰 수 있음을 보여주었습니다. 하지만 이러한 데이터셋은 대부분 비공개이며, 공개된 데이터 생성 전략도 많지 않습니다. Open Thoughts 프로젝트는 이 문제를 해결하기 위해 출발했으며, 최고 수준의 오픈소스 추론 데이터셋을 구축하고 공개하는 것을 목표로 합니다. 추론 능력이 강한 AI 모델을 연구하거나, 자체적인 데이터셋을 구축하려는 개발자라면 이 프로젝트를 주목할 필요가 있습니다. 이 프로젝트의 주요 목표는 다음과 같습니다: 고품질의 오픈소스 추론 데이터셋 구축 데이터 생성 전략을 공개 및 공유 추론 능력이 뛰어난 소형 AI 모델 개발 Open Thoughts 프로젝트의 데이터셋 :open\_book: Open Thoughts 프로젝트의 첫 번째 목표는 추론 데이터 세트를 선정 및 생성하는 것입니다. 여기에는 수학(Math), 코드(Code), 과학(Science), 퍼즐(Puzzle)의 4가지 도메인이 포함되어 있습니다. 현재까지 Bespoke-Stratos-17k 데이터셋 및 이를 더 큰 규모로 확장한 Open-Thoughts-114k 데이터셋이 공개되었습니다. 확장 시에는 DeepSeek-R1 모델을 기반으로 합성 데이터(synthetic data)를 대규모 생성하여 만들어졌습니다. 각 데이터셋은 다음에서 확인할 수 있습니다: Open Thoughts 프로젝트의 공개 모델 :package: Open Thoughts 프로젝트의 주요 목표 중 하나는 수학 …