diff --git a/data/a.json b/data/a.json
index a6e48bf..cfb95fc 100644
--- a/data/a.json
+++ b/data/a.json
@@ -208,5 +208,150 @@
       }
     ],
     "issueNumber": 18
+  },
+  {
+    "term": "agency",
+    "meanings": [
+      {
+        "korean": "에이전시",
+        "definition": "언어 모델이 시스템의 작업 흐름과 행동 선택에 미치는 영향의 정도",
+        "examples": [
+          {
+            "en": "The influence of the LLM's input on the code workflow is the level of agency of LLMs in the system.",
+            "ko": "LLM 입력이 코드 워크플로우에 미치는 영향력이 해당 시스템에서 LLM이 가지는 에이전시의 수준을 결정합니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-09-26-Introducing-smolagents.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "agent memory",
+    "meanings": [
+      {
+        "korean": "에이전트 메모리",
+        "definition": "에이전트가 이전 단계의 행동과 관찰을 다음 판단에 사용하도록 보존한 기록",
+        "examples": [
+          {
+            "en": "Running agent.write_memory_to_messages() writes the agent's memory as list of chat messages for the Model to view.",
+            "ko": "agent.write_memory_to_messages()는 에이전트의 메모리를 모델이 볼 수 있는 채팅 메시지 목록으로 변환합니다.",
+            "source": "https://github.com/huggingface/smolagents/blob/30bb1161095dbae2271e6bc3cc4c219cc3897a57/docs/source/ko/guided_tour.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "architecture",
+    "meanings": [
+      {
+        "korean": "아키텍처",
+        "definition": "모델을 이루는 계층과 연산, 데이터 흐름의 전체적인 설계",
+        "examples": [
+          {
+            "en": "Today's top-performing LLMs share more or less the same fundamental architecture that consists of feed-forward layers, activation layers, layer normalization layers, and most crucially, self-attention layers.",
+            "ko": "오늘날의 최고 성능을 자랑하는 대규모 언어 모델은 대체로 피드포워드 레이어(feed-forward layer), 활성화 레이어(activation layer), 레이어 정규화 레이어(layer normalization layer), 그리고 가장 중요한 셀프 어텐션 레이어(self-attention layer)로 구성된 아키텍처를 공유하고 있습니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/llm_tutorial_optimization.md"
+          }
+        ],
+        "synonyms": [
+          "구조"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "attention mask",
+    "meanings": [
+      {
+        "korean": "어텐션 마스크",
+        "definition": "어텐션 계산에서 모델이 참조하거나 무시할 토큰 위치를 표시하는 마스크",
+        "examples": [
+          {
+            "en": "The attention mask is a binary tensor indicating the position of the padded indices so that the model does not attend to them.",
+            "ko": "어텐션 마스크는 모델이 패딩 된 인덱스를 참조하지 않도록 해당 위치를 나타내는 이진 텐서입니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/glossary.md"
+          }
+        ],
+        "synonyms": [
+          "주의 마스크"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "audio classification",
+    "meanings": [
+      {
+        "korean": "오디오 분류",
+        "definition": "오디오 입력을 하나 이상의 미리 정의된 범주로 분류하는 과제",
+        "examples": [
+          {
+            "en": "Audio classification - just like with text - assigns a class label as output from the input data.",
+            "ko": "오디오 분류는 텍스트와 마찬가지로 입력 데이터에 클래스 레이블 출력을 할당합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/audio_classification.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "augmentation",
+    "meanings": [
+      {
+        "korean": "증강",
+        "definition": "학습 데이터에 변환을 적용해 다양성을 늘리는 처리",
+        "examples": [
+          {
+            "en": "The do_resize parameter is set to False because the images have already been resized in the augmentation step by RandomResizedCrop.",
+            "ko": "여기서 do_resize파라미터를 False로 설정한 이유는, 앞선 증강 단계에서 RandomResizedCrop을 통해 이미 이미지 크기를 조절했기 때문입니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/image_processors.md"
+          }
+        ],
+        "synonyms": [
+          "데이터 증강"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "automatic speech recognition",
+    "meanings": [
+      {
+        "korean": "자동 음성 인식",
+        "definition": "사람의 음성 신호를 텍스트로 변환하는 기술과 과제",
+        "examples": [
+          {
+            "en": "Automatic speech recognition (ASR) converts a speech signal to text, mapping a sequence of audio inputs to text outputs.",
+            "ko": "자동 음성 인식(Automatic Speech Recognition, ASR)은 음성 신호를 텍스트로 변환하여 음성 입력 시퀀스를 텍스트 출력에 매핑합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/asr.md"
+          }
+        ],
+        "synonyms": [
+          "ASR",
+          "자동 음성인식"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "autoregressive model",
+    "meanings": [
+      {
+        "korean": "자기회귀 모델",
+        "definition": "앞서 생성된 요소를 조건으로 다음 요소를 순차적으로 예측하는 모델",
+        "examples": [
+          {
+            "en": "Autoregressive model generation can be slow because it makes a prediction one token at a time.",
+            "ko": "자기회귀 모델의 생성은 한 번에 하나의 토큰씩 예측하기 때문에 느릴 수 있습니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/cache_explanation.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
   }
 ]
diff --git a/data/b.json b/data/b.json
index b6a31b8..d186343 100644
--- a/data/b.json
+++ b/data/b.json
@@ -189,5 +189,41 @@
         ]
       }
     ]
+  },
+  {
+    "term": "backbone",
+    "meanings": [
+      {
+        "korean": "백본",
+        "definition": "입력에서 일반적인 특징을 추출하며 여러 다운스트림 헤드가 공유하는 모델의 핵심 부분",
+        "examples": [
+          {
+            "en": "Additionally, a simple gated attention mechanism is introduced in the backbone to prioritize important features.",
+            "ko": "추가로, 중요한 특성을 우선시하기 위해 백본에 간단한 게이트 주의 메커니즘을 도입합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/model_doc/patchtsmixer.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "benchmark",
+    "meanings": [
+      {
+        "korean": "벤치마크",
+        "definition": "모델이나 시스템의 성능을 같은 조건에서 비교하기 위한 데이터셋과 평가 절차",
+        "examples": [
+          {
+            "en": "We compared these three paradigms across multiple benchmarks including GAIA, MATH, SimpleQA, and Frames.",
+            "ko": "우리는 GAIA, MATH, SimpleQA, Frames등 여러 벤치마크를 대상으로 세 가지 패러다임을 비교했습니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-10-13-structured-codeagent-ko.md"
+          }
+        ],
+        "synonyms": [
+          "성능 평가 기준"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/c.json b/data/c.json
index c0e00f4..5c7eeab 100644
--- a/data/c.json
+++ b/data/c.json
@@ -244,5 +244,174 @@
         ]
       }
     ]
+  },
+  {
+    "term": "causal language modeling",
+    "meanings": [
+      {
+        "korean": "인과적 언어 모델링",
+        "definition": "이전 토큰만 보고 다음 토큰을 예측하도록 언어 모델을 학습하는 과제",
+        "examples": [
+          {
+            "en": "Causal language modeling predicts the next token in a sequence of tokens, and the model can only attend to tokens on the left.",
+            "ko": "인과 언어 모델링은 토큰 시퀀스에서 다음 토큰을 예측하며, 모델은 왼쪽의 토큰에만 접근할 수 있습니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/language_modeling.md"
+          }
+        ],
+        "synonyms": [
+          "인과 언어 모델링"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "chain of thought",
+    "meanings": [
+      {
+        "korean": "사고 과정",
+        "definition": "모델이 최종 답을 내기 전에 생성하는 중간 추론 단계의 연쇄",
+        "examples": [
+          {
+            "en": "The chat template will only ever include the most recent chain of thought, and only in training (when add_generation_prompt=False and the final turn is an assistant turn).",
+            "ko": "채팅 템플릿은 가장 최근의 사고 과정만 포함하며, 훈련 시에만(즉, add_generation_prompt=False이고 마지막 턴이 어시스턴트 턴일 때) 포함합니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-11-3-Welcome-GPT-OSS.md"
+          }
+        ],
+        "synonyms": [
+          "생각의 사슬",
+          "CoT"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "channel",
+    "meanings": [
+      {
+        "korean": "채널",
+        "definition": "이미지나 특징 맵에서 서로 다른 종류의 값을 담는 텐서 차원",
+        "examples": [
+          {
+            "en": "The Easy & Efficient Quantization for Transformers (EETQ) library supports int8 weight-only per-channel quantization for NVIDIA GPUs.",
+            "ko": "EETQ 라이브러리는 NVIDIA GPU에 대해 int8 채널별(per-channel) 가중치 전용 양자화(weight-only quantization)을 지원합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/quantization/eetq.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "chunk",
+    "meanings": [
+      {
+        "korean": "청크",
+        "definition": "메모리나 문맥 길이 제약에 맞춰 데이터를 나눈 연속된 작은 단위",
+        "examples": [
+          {
+            "en": "Each image patch passes through the image embedding tower and the audio chunk is passed through the audio embedding tower to get both media embeddings.",
+            "ko": "각 이미지 패치는 이미지 임베딩 타워를 통과하고, 오디오 청크는 오디오 임베딩 타워를 통과하여 두 미디어 임베딩을 얻습니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2026-07-15-thinkingmachines-inkling.md"
+          }
+        ],
+        "synonyms": [
+          "묶음",
+          "조각"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "classification token",
+    "meanings": [
+      {
+        "korean": "분류 토큰",
+        "definition": "입력 시퀀스 전체를 대표하는 분류 결과를 얻기 위해 시퀀스 앞에 추가하는 특수 토큰",
+        "examples": [
+          {
+            "en": "For the VQA task, a classifier head is placed on top (a linear layer on top of the final hidden state of the [CLS] token) and randomly initialized.",
+            "ko": "VQA 태스크에서는 ([CLS] 토큰의 최종 은닉 상태 위에 선형 레이어인) 분류 헤더가 있으며 무작위로 초기화됩니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/visual_question_answering.md"
+          }
+        ],
+        "synonyms": [
+          "[CLS] 토큰"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "code agent",
+    "meanings": [
+      {
+        "korean": "코드 에이전트",
+        "definition": "행동을 JSON 도구 호출 대신 실행 가능한 코드로 작성해 과제를 해결하는 에이전트",
+        "examples": [
+          {
+            "en": "🧑‍💻 First-class support for Code Agents, i.e. agents that write their actions in code (as opposed to \"agents being used to write code\").",
+            "ko": "🧑‍💻 코드 에이전트(Code Agents)에 대한 일급 지원 : 동작을 코드로 작성하는 에이전트(“코드를 작성하는 데 쓰이는 에이전트”와는 다름)를 지원합니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-09-26-Introducing-smolagents.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "computer vision",
+    "meanings": [
+      {
+        "korean": "컴퓨터 비전",
+        "definition": "컴퓨터가 이미지와 영상의 시각 정보를 이해하고 처리하도록 하는 분야",
+        "examples": [
+          {
+            "en": "Moreover, most computer vision models can be used for image feature extraction, where one can remove the task-specific head (image classification, object detection etc) and get the features.",
+            "ko": "게다가 대부분의 컴퓨터 비전 모델은 이미지 특징 추출에 사용할 수 있으며, 여기서 작업 특화 헤드(이미지 분류, 물체 감지 등)를 제거하고 특징을 얻을 수 있습니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/image_feature_extraction.md"
+          }
+        ],
+        "synonyms": [
+          "컴퓨터 시각"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "context",
+    "meanings": [
+      {
+        "korean": "문맥",
+        "definition": "모델이 현재 예측이나 생성을 결정할 때 참고하는 주변 입력 정보",
+        "examples": [
+          {
+            "en": "The novel convolution heads, together with the rest self-attention heads, form a new mixed attention block that is more efficient at both global and local context learning.",
+            "ko": "새로운 컨볼루션 헤드와 나머지 self-attention 헤드들이 결합하여 글로벌 및 로컬 문맥 학습에 더 효율적인 혼합 어텐션 블록을 구성합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/model_doc/convbert.md"
+          }
+        ],
+        "synonyms": [
+          "컨텍스트"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "crop",
+    "meanings": [
+      {
+        "korean": "크롭",
+        "definition": "이미지의 일부 영역을 선택해 새로운 입력으로 만드는 전처리 변환",
+        "examples": [
+          {
+            "en": "Crop a random part of the image, resize it, and normalize it with the image mean and standard deviation:",
+            "ko": "이미지의 임의 부분을 크롭하고 크기를 조정한 다음, 이미지 평균과 표준 편차로 정규화하세요:",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/image_classification.md"
+          }
+        ],
+        "synonyms": [
+          "자르기"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/d.json b/data/d.json
index 47784e8..f6425cc 100644
--- a/data/d.json
+++ b/data/d.json
@@ -327,5 +327,78 @@
         ]
       }
     ]
+  },
+  {
+    "term": "data collator",
+    "meanings": [
+      {
+        "korean": "데이터 콜레이터",
+        "definition": "여러 개별 샘플을 패딩하고 묶어 모델 입력 배치로 만드는 구성 요소",
+        "examples": [
+          {
+            "en": "Pass the training arguments to [Seq2SeqTrainer] along with the model, dataset, tokenizer, data collator, and compute_metrics function.",
+            "ko": "모델, 데이터셋, 토크나이저, 데이터 콜레이터 및 compute_metrics 함수와 함께 학습 인수를 [Seq2SeqTrainer]에 전달하세요.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/summarization.md"
+          }
+        ],
+        "synonyms": [
+          "데이터 취합기",
+          "데이터 취합자"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "decoder model",
+    "meanings": [
+      {
+        "korean": "디코더 모델",
+        "definition": "이전 토큰을 조건으로 다음 토큰을 생성하는 트랜스포머 계열 모델",
+        "examples": [
+          {
+            "en": "Also referred to as autoregressive models, decoder models involve a pretraining task (called causal language modeling) where the model reads the texts in order and has to predict the next word.",
+            "ko": "자기회귀 모델(Autoregressive models)이라고도 불리는 디코더 모델은 인과 언어 모델링(causal language modeling)이라 불리는 사전 학습 작업을 수행합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/glossary.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "distributed training",
+    "meanings": [
+      {
+        "korean": "분산 학습",
+        "definition": "여러 장치나 노드에 모델 계산과 데이터를 나누어 수행하는 학습 방식",
+        "examples": [
+          {
+            "en": "In distributed training environments, this is even more challenging because each process loads a pretrained model.",
+            "ko": "분산 학습 환경에서는 각 프로세스가 사전 훈련된 모델을 로드하기 때문에 이는 더욱 어려운 과제입니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/models.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "downstream task",
+    "meanings": [
+      {
+        "korean": "다운스트림 과제",
+        "definition": "사전학습된 모델이나 표현을 활용해 해결하는 구체적인 응용 과제",
+        "examples": [
+          {
+            "en": "Experiments have shown that ConvBERT significantly outperforms BERT and its variants in various downstream tasks, with lower training cost and fewer model parameters.",
+            "ko": "실험 결과, ConvBERT는 다양한 다운스트림 과제에서 BERT 및 그 변형 모델보다 더 우수한 성능을 보였으며, 훈련 비용과 모델 파라미터 수가 더 적었습니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/model_doc/convbert.md"
+          }
+        ],
+        "synonyms": [
+          "하위 과제"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/e.json b/data/e.json
index 9ccb186..5680e11 100644
--- a/data/e.json
+++ b/data/e.json
@@ -245,5 +245,22 @@
         ]
       }
     ]
+  },
+  {
+    "term": "encoder model",
+    "meanings": [
+      {
+        "korean": "인코더 모델",
+        "definition": "입력 전체의 양방향 문맥을 이용해 표현을 만드는 트랜스포머 계열 모델",
+        "examples": [
+          {
+            "en": "Also known as autoencoding models, encoder models take an input (such as text or images) and transform them into a condensed numerical representation called an embedding.",
+            "ko": "자동 인코딩 모델(Autoencoding models)이라고도 불리는 인코더 모델은 텍스트나 이미지와 같은 입력을 받아 임베딩이라 불리는 압축된 수치 표현으로 반환합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/glossary.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
   }
 ]
diff --git a/data/f.json b/data/f.json
index e992511..95630b2 100644
--- a/data/f.json
+++ b/data/f.json
@@ -215,5 +215,43 @@
         ]
       }
     ]
+  },
+  {
+    "term": "feature extraction",
+    "meanings": [
+      {
+        "korean": "특징 추출",
+        "definition": "원시 입력을 모델이나 후속 작업이 사용할 수 있는 표현으로 변환하는 과정",
+        "examples": [
+          {
+            "en": "Some example stages found in a pipeline might be data preprocessing, feature extraction, and normalization.",
+            "ko": "파이프라인에 포함될 수 있는 단계로는 데이터 전처리, 특징 추출(feature extraction), 정규화(normalization) 등이 있습니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/glossary.md"
+          }
+        ],
+        "synonyms": [
+          "특성 추출"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "fine-tuned model",
+    "meanings": [
+      {
+        "korean": "미세 조정 모델",
+        "definition": "사전학습된 모델을 특정 데이터나 과제에 맞게 추가 학습한 모델",
+        "examples": [
+          {
+            "en": "Use your fine-tuned model for inference.",
+            "ko": "추론을 위해 미세 조정 모델을 사용합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/image_classification.md"
+          }
+        ],
+        "synonyms": [
+          "미세조정 모델"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/h.json b/data/h.json
index 59c569e..95ccd3d 100644
--- a/data/h.json
+++ b/data/h.json
@@ -123,5 +123,39 @@
         ]
       }
     ]
+  },
+  {
+    "term": "head",
+    "meanings": [
+      {
+        "korean": "헤드",
+        "definition": "백본의 표현을 받아 분류나 회귀 등 특정 과제의 출력을 계산하는 모델 부분",
+        "examples": [
+          {
+            "en": "[GPT2ForSequenceClassification] is a sequence classification head - a linear layer - on top of the base [GPT2Model].",
+            "ko": "[GPT2ForSequenceClassification]은 기본 [GPT2Model] 위에 시퀀스 분류를 위한 선형계층(linear layer)을 추가한 모델 헤드입니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/glossary.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "hidden state",
+    "meanings": [
+      {
+        "korean": "은닉 상태",
+        "definition": "모델의 중간 계층이 입력에 대해 계산한 내부 표현",
+        "examples": [
+          {
+            "en": "Some models apply normalization or subsequent process to the last hidden state when it's returned.",
+            "ko": "일부 모델은 마지막 은닉 상태가 반환될 때 정규화를 적용하거나 다른 후속 프로세스를 적용합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/main_classes/output.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
   }
 ]
diff --git a/data/i.json b/data/i.json
index bdf509b..26b52dc 100644
--- a/data/i.json
+++ b/data/i.json
@@ -159,5 +159,98 @@
         ]
       }
     ]
+  },
+  {
+    "term": "image captioning",
+    "meanings": [
+      {
+        "korean": "이미지 캡셔닝",
+        "definition": "이미지의 내용을 설명하는 자연어 문장을 생성하는 과제",
+        "examples": [
+          {
+            "en": "Image captioning is the task of predicting a caption for a given image.",
+            "ko": "이미지 캡셔닝(Image captioning)은 주어진 이미지에 대한 캡션을 예측하는 작업입니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/image_captioning.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "image patch",
+    "meanings": [
+      {
+        "korean": "이미지 패치",
+        "definition": "비전 트랜스포머가 토큰처럼 처리하도록 이미지를 나눈 작은 영역",
+        "examples": [
+          {
+            "en": "Each image patch passes through the image embedding tower and the audio chunk is passed through the audio embedding tower to get both media embeddings.",
+            "ko": "각 이미지 패치는 이미지 임베딩 타워를 통과하고, 오디오 청크는 오디오 임베딩 타워를 통과하여 두 미디어 임베딩을 얻습니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2026-07-15-thinkingmachines-inkling.md"
+          }
+        ],
+        "synonyms": [
+          "이미지 조각"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "image processor",
+    "meanings": [
+      {
+        "korean": "이미지 프로세서",
+        "definition": "이미지 크기 조정과 정규화 등 비전 모델 입력 전처리를 담당하는 구성 요소",
+        "examples": [
+          {
+            "en": "Pass an image to the image processor to transform it into pixel values, and set return_tensors=\"pt\" to return PyTorch tensors.",
+            "ko": "이미지를 이미지 프로세서에 전달하여 픽셀 값으로 변환하고, return_tensors=\"pt\" 를 설정하여 PyTorch 텐서를 반환받으세요.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/image_processors.md"
+          }
+        ],
+        "synonyms": [
+          "이미지 전처리기"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "inference provider",
+    "meanings": [
+      {
+        "korean": "추론 공급자",
+        "definition": "호스팅된 모델의 추론 실행을 API로 제공하는 서비스 제공자",
+        "examples": [
+          {
+            "en": "Each agent's behavior (its default model, inference provider, which MCP servers to connect to, and its initial system prompt) is defined by an agent.json file.",
+            "ko": "각 에이전트의 동작(기본 모델, 추론 공급자, 연결할 MCP 서버, 초기 시스템 프롬프트)은 agent.json 파일에 정의됩니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-09-14-python-tiny-agents-ko.md"
+          }
+        ],
+        "synonyms": [
+          "추론 제공자"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "input IDs",
+    "meanings": [
+      {
+        "korean": "입력 ID",
+        "definition": "토크나이저가 입력 토큰을 어휘의 정수 식별자로 변환한 시퀀스",
+        "examples": [
+          {
+            "en": "The input ids are often the only required parameters to be passed to the model as input.",
+            "ko": "입력 ID는 종종 모델에 입력으로 전달해야 하는 유일한 필수 파라미터입니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/glossary.md"
+          }
+        ],
+        "synonyms": [
+          "입력 토큰 ID"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/index.json b/data/index.json
index 3caaef4..e6a6403 100644
--- a/data/index.json
+++ b/data/index.json
@@ -1 +1,25 @@
-["a.json", "b.json", "c.json", "d.json", "e.json", "f.json", "g.json", "h.json", "i.json", "k.json", "l.json", "m.json", "n.json", "o.json", "p.json", "q.json", "r.json", "s.json", "t.json", "u.json", "v.json", "w.json"]
+[
+  "a.json",
+  "b.json",
+  "c.json",
+  "d.json",
+  "e.json",
+  "f.json",
+  "g.json",
+  "h.json",
+  "i.json",
+  "k.json",
+  "l.json",
+  "m.json",
+  "n.json",
+  "o.json",
+  "p.json",
+  "q.json",
+  "r.json",
+  "s.json",
+  "t.json",
+  "u.json",
+  "v.json",
+  "w.json",
+  "z.json"
+]
diff --git a/data/k.json b/data/k.json
index 1846312..c267099 100644
--- a/data/k.json
+++ b/data/k.json
@@ -88,5 +88,24 @@
         ]
       }
     ]
+  },
+  {
+    "term": "KV cache",
+    "meanings": [
+      {
+        "korean": "KV 캐시",
+        "definition": "자기회귀 생성에서 이전 토큰의 키와 값 상태를 저장해 반복 계산을 줄이는 캐시",
+        "examples": [
+          {
+            "en": "A basic KV cache interface takes a key and value tensor for the current token and returns the updated K and V tensors.",
+            "ko": "기본 KV 캐시 인터페이스는 현재 토큰의 키와 값 텐서를 받아서 업데이트된 K와 V 텐서를 반환합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/cache_explanation.md"
+          }
+        ],
+        "synonyms": [
+          "키-값 캐시"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/l.json b/data/l.json
index 0f0f7de..4fefc8b 100644
--- a/data/l.json
+++ b/data/l.json
@@ -267,5 +267,79 @@
       }
     ],
     "issueNumber": 19
+  },
+  {
+    "term": "label",
+    "meanings": [
+      {
+        "korean": "레이블",
+        "definition": "학습이나 평가에서 샘플에 연결된 정답 또는 목표 값",
+        "examples": [
+          {
+            "en": "Get the class with the highest probability, and use the model's id2label mapping to convert it to a label:",
+            "ko": "확률이 가장 높은 클래스를 가져온 다음 모델의 id2label 매핑을 사용하여 이를 레이블로 변환합니다:",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/audio_classification.md"
+          }
+        ],
+        "synonyms": [
+          "라벨"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "large language model",
+    "meanings": [
+      {
+        "korean": "대규모 언어 모델",
+        "definition": "대규모 텍스트 데이터와 많은 매개변수로 학습해 다양한 언어 과제를 수행하는 모델",
+        "examples": [
+          {
+            "en": "Retrieval-Augmented Generation (RAG) combines the power of large language models with external knowledge retrieval to produce more accurate, factual, and contextually relevant responses.",
+            "ko": "검색 증강 생성(Retrieval-Augmented Generation, RAG)은 대규모 언어 모델의 능력과 외부 지식 검색을 결합하여 더 정확하고 사실에 기반을 두며 문맥에 맞는 응답을 생성합니다.",
+            "source": "https://github.com/huggingface/smolagents/blob/30bb1161095dbae2271e6bc3cc4c219cc3897a57/docs/source/ko/examples/rag.md"
+          }
+        ],
+        "synonyms": [
+          "LLM"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "leaderboard",
+    "meanings": [
+      {
+        "korean": "리더보드",
+        "definition": "같은 벤치마크에서 여러 모델이나 시스템의 평가 결과를 순위로 보여주는 표",
+        "examples": [
+          {
+            "en": "Check the MTEB Leaderboard for high-quality embedding models.",
+            "ko": "고품질 임베딩 모델은 MTEB 리더보드에서 확인하세요.",
+            "source": "https://github.com/huggingface/smolagents/blob/30bb1161095dbae2271e6bc3cc4c219cc3897a57/docs/source/ko/examples/rag.md"
+          }
+        ],
+        "synonyms": [
+          "순위표"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "loss function",
+    "meanings": [
+      {
+        "korean": "손실 함수",
+        "definition": "모델의 예측과 목표 값 사이의 차이를 수치로 나타내는 함수",
+        "examples": [
+          {
+            "en": "Assigning the label -100 to the special tokens [CLS] and [SEP] so they're ignored by the PyTorch loss function (see CrossEntropyLoss).",
+            "ko": "특수 토큰 [CLS]와 [SEP]에 -100 레이블을 할당하여, PyTorch 손실 함수가 해당 토큰을 무시하도록 합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/token_classification.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
   }
 ]
diff --git a/data/m.json b/data/m.json
index 20382b0..c964cd4 100644
--- a/data/m.json
+++ b/data/m.json
@@ -314,5 +314,173 @@
         ]
       }
     ]
+  },
+  {
+    "term": "masked language modeling",
+    "meanings": [
+      {
+        "korean": "마스크드 언어 모델링",
+        "definition": "입력에서 가린 토큰을 주변 문맥으로 예측하도록 학습하는 언어 모델링 과제",
+        "examples": [
+          {
+            "en": "ESM models are trained with a masked language modeling (MLM) objective.",
+            "ko": "ESM 모델은 마스크드 언어 모델링(MLM) 목표로 훈련되었습니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/model_doc/esm.md"
+          }
+        ],
+        "synonyms": [
+          "마스크 언어 모델링",
+          "MLM"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "MCP client",
+    "meanings": [
+      {
+        "korean": "MCP 클라이언트",
+        "definition": "MCP 서버에 연결해 도구와 리소스를 발견하고 호출하는 애플리케이션 구성 요소",
+        "examples": [
+          {
+            "en": "We hope that this post has provided insights to the decisions that need to be made building Remote MCP Servers, and encourage you to try some of the examples in your favourite MCP Client.",
+            "ko": "이 글이 원격 MCP 서버 구축 시 필요한 결정 사항에 대한 통찰을 제공했기를 바라며, 여러분이 선호하는 MCP 클라이언트에서 예제들을 직접 시도해 보시길 권장합니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-09-29-building-hf-mcp-ko.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "MCP server",
+    "meanings": [
+      {
+        "korean": "MCP 서버",
+        "definition": "모델 컨텍스트 프로토콜을 통해 도구나 리소스를 클라이언트에 제공하는 프로그램",
+        "examples": [
+          {
+            "en": "To connect our Gradio MCP server to VS Code's AI chat, we'll need to edit the mcp.json file.",
+            "ko": "Gradio MCP 서버를 VS Code의 AI 채팅에 연결하려면 mcp.json 파일을 편집해야 합니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-09-14-Implementing-MCP-Servers-in-Python.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "metric",
+    "meanings": [
+      {
+        "korean": "평가지표",
+        "definition": "모델의 성능을 정해진 기준으로 수치화하는 측정값",
+        "examples": [
+          {
+            "en": "Before diving in, we should note that the metric applies specifically to classical language models (sometimes called autoregressive or causal language models) and is not well defined for masked language models like BERT.",
+            "ko": "자세히 알아보기 전에 이 평가지표는 고전적인 언어 모델(자기회귀 또는 인과적 언어 모델이라고도 함)에만 적용되며 BERT와 같은 마스킹된 언어 모델에는 잘 적용하지 않습니다 (BERT는 summary of the models 문서를 참고하세요).",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/perplexity.md"
+          }
+        ],
+        "synonyms": [
+          "메트릭",
+          "평가 지표"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "mixture of experts",
+    "meanings": [
+      {
+        "korean": "전문가 혼합",
+        "definition": "입력에 따라 여러 전문가 서브네트워크의 출력을 선택하거나 가중 결합하는 모델 구조",
+        "examples": [
+          {
+            "en": "Vision language models that have mixture-of-experts decoders seem to have enhanced performance.",
+            "ko": "전문가 혼합 디코더를 가진 VLM은 성능이 향상된 것으로 보입니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-10-20-2025-VLM.md"
+          }
+        ],
+        "synonyms": [
+          "MoE",
+          "전문가 혼합 모델"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "modality",
+    "meanings": [
+      {
+        "korean": "모달리티",
+        "definition": "텍스트, 이미지, 오디오처럼 정보가 표현되는 데이터의 유형",
+        "examples": [
+          {
+            "en": "The Document Question Answering task is a multimodal task, and you need to make sure that the inputs from each modality are preprocessed according to the model's expectations.",
+            "ko": "문서 질의 응답 태스크는 멀티모달 태스크이며, 각 모달리티의 입력이 모델의 요구에 맞게 전처리 되었는지 확인해야 합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/document_question_answering.md"
+          }
+        ],
+        "synonyms": [
+          "양식"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "model context protocol",
+    "meanings": [
+      {
+        "korean": "모델 컨텍스트 프로토콜",
+        "definition": "언어 모델 애플리케이션이 외부 도구와 데이터 소스에 연결되는 방식을 표준화한 개방형 프로토콜",
+        "examples": [
+          {
+            "en": "The Model Context Protocol (MCP) is fulfilling its promise of being the standard to connect AI Assistants to the outside world.",
+            "ko": "모델 컨텍스트 프로토콜(MCP)은 AI 어시스턴트를 외부 세계와 연결하는 표준으로 자리잡아가고 있습니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-09-29-building-hf-mcp-ko.md"
+          }
+        ],
+        "synonyms": [
+          "MCP"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "multi-step agent",
+    "meanings": [
+      {
+        "korean": "멀티스텝 에이전트",
+        "definition": "관찰과 행동을 반복하며 여러 단계에 걸쳐 과제를 해결하는 에이전트",
+        "examples": [
+          {
+            "en": "Here’s an example of how a multi-step agent can solve a simple math question:",
+            "ko": "아래는 멀티스텝 에이전트가 간단한 수학 문제를 푸는 예시입니다:",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-09-26-Introducing-smolagents.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "multimodal model",
+    "meanings": [
+      {
+        "korean": "멀티모달 모델",
+        "definition": "텍스트, 이미지, 오디오 등 둘 이상의 모달리티를 함께 처리하는 모델",
+        "examples": [
+          {
+            "en": "It’s particularly exciting as it’s one of the smallest multimodal models to have 128k token context window, and supports 140+ languages.",
+            "ko": "이 모델에서 흥미로운 점은, 현재까지 가장 작은 멀티모달 모델 중 하나이며, 128k 토큰 컨텍스트 윈도우를 가지고 있으며, 140개 이상의 언어를 지원한다는 점입니다!",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-10-20-2025-VLM.md"
+          }
+        ],
+        "synonyms": [
+          "다중양식 모델"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/n.json b/data/n.json
index 46f2dc1..b3a61a1 100644
--- a/data/n.json
+++ b/data/n.json
@@ -118,5 +118,25 @@
         ]
       }
     ]
+  },
+  {
+    "term": "natural language processing",
+    "meanings": [
+      {
+        "korean": "자연어 처리",
+        "definition": "컴퓨터가 사람의 언어를 분석하고 이해하고 생성하도록 하는 분야",
+        "examples": [
+          {
+            "en": "Pipelines available for natural language processing tasks include the following.",
+            "ko": "자연어 처리 작업에 사용할 수 있는 파이프라인은 다음과 같습니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/main_classes/pipelines.md"
+          }
+        ],
+        "synonyms": [
+          "NLP",
+          "자연어처리"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/p.json b/data/p.json
index 20be47f..6f76a8a 100644
--- a/data/p.json
+++ b/data/p.json
@@ -274,5 +274,147 @@
         ]
       }
     ]
+  },
+  {
+    "term": "padding",
+    "meanings": [
+      {
+        "korean": "패딩",
+        "definition": "배치 안의 시퀀스 길이를 맞추기 위해 채움 토큰이나 값을 덧붙이는 처리",
+        "examples": [
+          {
+            "en": "As you can see in this example below: the image (first element) has some padding tokens, representing empty cameras.",
+            "ko": "예를 들어 아래 예시를 보면, 이미지(첫 번째 요소)는 빈 카메라를 나타내는 패딩 토큰(padding tokens)을 포함합니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-11-10-pi0-fast.md"
+          }
+        ],
+        "synonyms": [
+          "채우기"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "parsing",
+    "meanings": [
+      {
+        "korean": "구문 분석",
+        "definition": "입력 문자열이나 모델 출력을 정해진 구조와 구성 요소로 해석하는 과정",
+        "examples": [
+          {
+            "en": "We recommend using this format with the corresponding format instruction for better parsing accuracy.",
+            "ko": "파싱 정확도를 높이려면 해당 형식 지시문과 함께 사용하는 것을 권장합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/model_doc/exaone4_5.md"
+          }
+        ],
+        "synonyms": [
+          "파싱"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "perplexity",
+    "meanings": [
+      {
+        "korean": "펄플렉서티",
+        "definition": "언어 모델이 다음 토큰을 얼마나 불확실하게 예측하는지를 나타내는 지표",
+        "examples": [
+          {
+            "en": "Perplexity is defined as the exponentiated average negative log-likelihood of a sequence.",
+            "ko": "펄플렉서티는 시퀀스의 음의 로그 우도(negative log-likelihood, NLL) 값의 평균에 지수(exponentiate)를 취한 값으로 정의됩니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/perplexity.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "pipeline",
+    "meanings": [
+      {
+        "korean": "파이프라인",
+        "definition": "전처리, 모델 추론, 후처리를 정해진 순서로 연결한 실행 흐름",
+        "examples": [
+          {
+            "en": "We first load the model and tokenizer and then pass both to Transformers' pipeline object.",
+            "ko": "먼저 모델과 토크나이저를 로드한 다음, 둘 다 Transformers의 파이프라인 객체에 전달합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/llm_tutorial_optimization.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "pixel values",
+    "meanings": [
+      {
+        "korean": "픽셀 값",
+        "definition": "이미지를 모델에 입력하기 위해 수치 텐서로 표현한 각 픽셀의 값",
+        "examples": [
+          {
+            "en": "Pass an image to the image processor to transform it into pixel values, and set return_tensors=\"pt\" to return PyTorch tensors.",
+            "ko": "이미지를 이미지 프로세서에 전달하여 픽셀 값으로 변환하고, return_tensors=\"pt\" 를 설정하여 PyTorch 텐서를 반환받으세요.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/image_processors.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "planning step",
+    "meanings": [
+      {
+        "korean": "계획 단계",
+        "definition": "에이전트가 현재 정보와 목표를 바탕으로 이후 행동 순서를 점검하거나 갱신하는 단계",
+        "examples": [
+          {
+            "en": "Planning step is created and execution pauses for human review",
+            "ko": "계획 단계가 생성되고, 사용자 검토를 위해 실행이 일시 중지됩니다.",
+            "source": "https://github.com/huggingface/smolagents/blob/30bb1161095dbae2271e6bc3cc4c219cc3897a57/docs/source/ko/examples/plan_customization.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "preprocessing",
+    "meanings": [
+      {
+        "korean": "전처리",
+        "definition": "원시 데이터를 모델이 받을 수 있는 형태로 변환하고 정규화하는 과정",
+        "examples": [
+          {
+            "en": "Some example stages found in a pipeline might be data preprocessing, feature extraction, and normalization.",
+            "ko": "파이프라인에 포함될 수 있는 단계로는 데이터 전처리, 특징 추출(feature extraction), 정규화(normalization) 등이 있습니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/glossary.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "pretrained model",
+    "meanings": [
+      {
+        "korean": "사전학습 모델",
+        "definition": "대규모 일반 데이터로 먼저 학습되어 다른 과제에 재사용할 수 있는 모델",
+        "examples": [
+          {
+            "en": "In distributed training environments, this is even more challenging because each process loads a pretrained model.",
+            "ko": "분산 학습 환경에서는 각 프로세스가 사전 훈련된 모델을 로드하기 때문에 이는 더욱 어려운 과제입니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/models.md"
+          }
+        ],
+        "synonyms": [
+          "사전 훈련된 모델"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/q.json b/data/q.json
index 5fb065d..f759568 100644
--- a/data/q.json
+++ b/data/q.json
@@ -23,5 +23,44 @@
         ]
       }
     ]
+  },
+  {
+    "term": "query",
+    "meanings": [
+      {
+        "korean": "쿼리",
+        "definition": "검색이나 어텐션에서 필요한 정보를 찾기 위해 기준으로 사용하는 입력 표현",
+        "examples": [
+          {
+            "en": "Initialization: the system prompt is stored in a SystemPromptStep, and the user query is logged into a TaskStep .",
+            "ko": "초기화: 시스템 프롬프트는 SystemPromptStep에 저장되고, 사용자가 입력한 쿼리는 TaskStep에 기록됩니다.",
+            "source": "https://github.com/huggingface/smolagents/blob/30bb1161095dbae2271e6bc3cc4c219cc3897a57/docs/source/ko/conceptual_guides/react.md"
+          }
+        ],
+        "synonyms": [
+          "질의"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "question answering",
+    "meanings": [
+      {
+        "korean": "질의응답",
+        "definition": "주어진 문맥을 바탕으로 질문에 대한 답을 찾거나 생성하는 과제",
+        "examples": [
+          {
+            "en": "A multiple choice task is similar to question answering, except several candidate answers are provided along with a context and the model is trained to select the correct answer.",
+            "ko": "객관식 과제는 문맥과 함께 여러 개의 후보 답변이 제공되고 모델이 정답을 선택하도록 학습된다는 점을 제외하면 질의응답과 유사합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/multiple_choice.md"
+          }
+        ],
+        "synonyms": [
+          "질문 답변",
+          "질의 응답"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/r.json b/data/r.json
index 80959c0..8d24354 100644
--- a/data/r.json
+++ b/data/r.json
@@ -243,5 +243,116 @@
         ]
       }
     ]
+  },
+  {
+    "term": "ReAct",
+    "meanings": [
+      {
+        "korean": "ReAct",
+        "definition": "추론과 행동, 관찰을 번갈아 수행하며 문제를 해결하는 에이전트 패턴",
+        "examples": [
+          {
+            "en": "The ReAct framework (Yao et al., 2022) is currently the main approach to building agents.",
+            "ko": "ReAct 프레임워크(Yao et al., 2022)는 현재 에이전트 구축하는 가장 일반적인 접근 방식입니다.",
+            "source": "https://github.com/huggingface/smolagents/blob/30bb1161095dbae2271e6bc3cc4c219cc3897a57/docs/source/ko/conceptual_guides/react.md"
+          }
+        ],
+        "synonyms": [
+          "추론-행동 패턴"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "reasoning model",
+    "meanings": [
+      {
+        "korean": "추론 모델",
+        "definition": "복잡한 문제를 여러 추론 단계로 풀도록 학습하거나 최적화한 언어 모델",
+        "examples": [
+          {
+            "en": "The baselines provided as part of the benchmark are standardized prompts across the chat and reasoning models, and thus, they should be considered non-optimized *and a lower bound on performance*.",
+            "ko": "벤치마크의 일부로 제공되는 베이스라인은 채팅 및 추론 모델에 걸쳐 표준화된 프롬프트이므로, 최적화되지 않은 것으로 간주되어야 하며 *성능의 하한*입니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-11-02-DABStep.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "reasoning trace",
+    "meanings": [
+      {
+        "korean": "추론 과정",
+        "definition": "모델이 문제를 풀며 생성하거나 기록한 중간 추론 단계의 연속",
+        "examples": [
+          {
+            "en": "The reasoning trace should then be removed from the model answer before computing metrics, to avoid parsing errors, especially with math or instruct evaluations.",
+            "ko": "메트릭을 계산하기 전에 모델 답변에서 추론 과정을 제거해야 하는데, 특히 수학이나 instruction 평가에서 파싱 오류를 방지하기 위해 필수적입니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-11-3-Welcome-GPT-OSS.md"
+          }
+        ],
+        "synonyms": [
+          "추론 흔적"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "representation learning",
+    "meanings": [
+      {
+        "korean": "표현 학습",
+        "definition": "원시 데이터에서 후속 과제에 유용한 특징 표현을 자동으로 학습하는 방법",
+        "examples": [
+          {
+            "en": "*TSMixer is a lightweight neural architecture exclusively composed of multi-layer perceptron (MLP) modules designed for multivariate forecasting and representation learning on patched time series.",
+            "ko": "*TSMixer는 패치 처리된 시계열의 다변량 예측 및 표현 학습을 위해 설계된 다층 퍼셉트론(MLP) 모듈로만 구성된 경량 신경망 아키텍처입니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/model_doc/patchtsmixer.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "retrieval-augmented generation",
+    "meanings": [
+      {
+        "korean": "검색 증강 생성",
+        "definition": "외부 자료를 검색해 얻은 문맥을 바탕으로 언어 모델이 답을 생성하는 방식",
+        "examples": [
+          {
+            "en": "Retrieval-Augmented Generation (RAG) combines the power of large language models with external knowledge retrieval to produce more accurate, factual, and contextually relevant responses.",
+            "ko": "검색 증강 생성(Retrieval-Augmented Generation, RAG)은 대규모 언어 모델의 능력과 외부 지식 검색을 결합하여 더 정확하고 사실에 기반을 두며 문맥에 맞는 응답을 생성합니다.",
+            "source": "https://github.com/huggingface/smolagents/blob/30bb1161095dbae2271e6bc3cc4c219cc3897a57/docs/source/ko/examples/rag.md"
+          }
+        ],
+        "synonyms": [
+          "RAG"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "rotary position embedding",
+    "meanings": [
+      {
+        "korean": "회전 위치 임베딩",
+        "definition": "쿼리와 키 벡터를 위치에 따라 회전시켜 상대적 위치 정보를 표현하는 방법",
+        "examples": [
+          {
+            "en": "The model architecture has been optimized for handling arbitrary image resolutions through Naive Dynamic Resolution support and utilizes Multimodal Rotary Position Embedding (M-ROPE) to effectively process both 1D textual and multi-dimensional visual data.",
+            "ko": "모델 아키텍처는 Naive Dynamic Resolution 지원을 통해 임의의 이미지 해상도를 처리할 수 있도록 최적화되었으며, 멀티모달 회전 위치 임베딩(M-ROPE)을 활용하여 1D 텍스트와 다차원 시각 데이터를 효과적으로 처리합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/model_doc/qwen2_vl.md"
+          }
+        ],
+        "synonyms": [
+          "RoPE",
+          "로터리 위치 임베딩"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/s.json b/data/s.json
index 5c9f2a8..290631f 100644
--- a/data/s.json
+++ b/data/s.json
@@ -196,5 +196,206 @@
         ]
       }
     ]
+  },
+  {
+    "term": "sampling rate",
+    "meanings": [
+      {
+        "korean": "샘플링 레이트",
+        "definition": "오디오 신호를 1초 동안 측정해 저장한 샘플의 수",
+        "examples": [
+          {
+            "en": "Remember to resample the sampling rate of the audio file to match the sampling rate of the model if you need to!",
+            "ko": "필요한 경우 오디오 파일의 샘플링 비율을 모델의 샘플링 레이트에 맞게 리샘플링하는 것을 잊지 마세요!",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/asr.md"
+          }
+        ],
+        "synonyms": [
+          "표본화율",
+          "샘플율"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "segmentation",
+    "meanings": [
+      {
+        "korean": "분할",
+        "definition": "이미지나 시퀀스를 의미 있는 영역 또는 단위로 나누는 과제",
+        "examples": [
+          {
+            "en": "Segment Anything is an image segmentation model, and it combines the query-key-value (qkv) projection in its attention mechanisms.",
+            "ko": "Segment Anything은 이미지 분할 모델로, 어텐션 메커니즘에서 query-key-value(qkv) 프로젝션을 결합합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/how_to_hack_models.md"
+          }
+        ],
+        "synonyms": [
+          "세그멘테이션"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "self-attention",
+    "meanings": [
+      {
+        "korean": "셀프 어텐션",
+        "definition": "같은 시퀀스에서 허용된 위치의 요소들을 참조해 각 요소의 표현을 갱신하는 어텐션",
+        "examples": [
+          {
+            "en": "Looking at the formula, one would intuitively say that Flash Attention must be much slower compared to the default self-attention formula as more computation needs to be done.",
+            "ko": "공식을 보면, 플래시 어텐션이 더 많은 계산을 필요로 하기 때문에 기본 셀프 어텐션 공식보다 훨씬 느릴 것이라고 생각할 수 있습니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/llm_tutorial_optimization.md"
+          }
+        ],
+        "synonyms": [
+          "자가 어텐션",
+          "자기 어텐션"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "semantic search",
+    "meanings": [
+      {
+        "korean": "시맨틱 검색",
+        "definition": "키워드의 정확한 일치보다 표현의 의미적 유사성을 이용해 결과를 찾는 검색 방식",
+        "examples": [
+          {
+            "en": "It works by combining the Hub's existing semantic search over Spaces, alongside our Agent Skills, and serving the results as ARD catalog entries.",
+            "ko": "허깅페이스 허브의 Spaces에 대한 기존 시맨틱 검색과 우리의 에이전트 스킬을 결합하고, 그 결과를 ARD 카탈로그 항목으로 제공합니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2026-06-17-agentic-resource-discovery-launch.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "sequence classification",
+    "meanings": [
+      {
+        "korean": "시퀀스 분류",
+        "definition": "텍스트나 다른 시퀀스 전체에 하나 이상의 클래스 레이블을 예측하는 과제",
+        "examples": [
+          {
+            "en": "[GPT2ForSequenceClassification] is a sequence classification head - a linear layer - on top of the base [GPT2Model].",
+            "ko": "[GPT2ForSequenceClassification]은 기본 [GPT2Model] 위에 시퀀스 분류를 위한 선형계층(linear layer)을 추가한 모델 헤드입니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/glossary.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "special token",
+    "meanings": [
+      {
+        "korean": "특수 토큰",
+        "definition": "문장 경계, 패딩, 마스킹처럼 모델 처리에 필요한 특별한 역할을 가진 토큰",
+        "examples": [
+          {
+            "en": "Assigning the label -100 to the special tokens [CLS] and [SEP] so they're ignored by the PyTorch loss function (see CrossEntropyLoss).",
+            "ko": "특수 토큰 [CLS]와 [SEP]에 -100 레이블을 할당하여, PyTorch 손실 함수가 해당 토큰을 무시하도록 합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/token_classification.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "stride",
+    "meanings": [
+      {
+        "korean": "스트라이드",
+        "definition": "슬라이딩 윈도나 합성곱 필터가 한 번에 이동하는 간격",
+        "examples": [
+          {
+            "en": "Running this with the stride length equal to the max input length is equivalent to the suboptimal, non-sliding-window strategy we discussed above.",
+            "ko": "스트라이드를 최대 입력 길이와 동일하게 설정하면 위에서 설명한 차선책인 비슬라이딩 윈도우 전략과 동일합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/perplexity.md"
+          }
+        ],
+        "synonyms": [
+          "보폭"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "structured output",
+    "meanings": [
+      {
+        "korean": "구조화된 출력",
+        "definition": "모델 응답을 JSON 스키마 등 미리 정한 데이터 구조에 맞춰 생성하는 기능",
+        "examples": [
+          {
+            "en": "With Structured outputs, you can force the LLM to generate explicit thoughts and code as a JSON blob:",
+            "ko": "구조화된 출력을 사용하면, LLM이 사고 과정과 코드를 명확하게 JSON 형식으로 생성하도록 유도할 수 있습니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-10-13-structured-codeagent-ko.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "supervised learning",
+    "meanings": [
+      {
+        "korean": "지도학습",
+        "definition": "입력과 정답 레이블의 쌍을 사용해 모델을 학습하는 방법",
+        "examples": [
+          {
+            "en": "It differs from unsupervised learning and supervised learning in that the learning process is supervised, but not explicitly from the user.",
+            "ko": "비지도 학습이나 지도 학습과 달리, 학습 과정 자체는 감독 방식 되지만, 라벨이 명시적으로 주어지는 것은 아닙니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/glossary.md"
+          }
+        ],
+        "synonyms": [
+          "지도 학습"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "synthetic data",
+    "meanings": [
+      {
+        "korean": "합성 데이터",
+        "definition": "실제 관측을 직접 수집하는 대신 규칙, 시뮬레이션, 생성 모델로 만든 데이터",
+        "examples": [
+          {
+            "en": "The community used to scale intelligence through the number of parameters, and then high-quality synthetic data.",
+            "ko": "커뮤니티는 과거에 파라미터 수를 통해 지능을 확장하고, 이후 고품질 합성 데이터를 활용하곤 했습니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-10-20-2025-VLM.md"
+          }
+        ],
+        "synonyms": [
+          "인공 데이터"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "system prompt",
+    "meanings": [
+      {
+        "korean": "시스템 프롬프트",
+        "definition": "모델의 역할, 규칙, 출력 형식을 대화보다 우선해 지정하는 지시문",
+        "examples": [
+          {
+            "en": "Each agent's behavior (its default model, inference provider, which MCP servers to connect to, and its initial system prompt) is defined by an agent.json file.",
+            "ko": "각 에이전트의 동작(기본 모델, 추론 공급자, 연결할 MCP 서버, 초기 시스템 프롬프트)은 agent.json 파일에 정의됩니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-09-14-python-tiny-agents-ko.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
   }
 ]
diff --git a/data/t.json b/data/t.json
index 9632189..ac8ba69 100644
--- a/data/t.json
+++ b/data/t.json
@@ -291,5 +291,60 @@
         ]
       }
     ]
+  },
+  {
+    "term": "token classification",
+    "meanings": [
+      {
+        "korean": "토큰 분류",
+        "definition": "입력 시퀀스의 각 토큰마다 클래스 레이블을 예측하는 과제",
+        "examples": [
+          {
+            "en": "Token classification assigns a label to individual tokens in a sentence.",
+            "ko": "토큰 분류는 문장의 개별 토큰에 레이블을 할당합니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/token_classification.md"
+          }
+        ],
+        "synonyms": []
+      }
+    ]
+  },
+  {
+    "term": "tokenizer",
+    "meanings": [
+      {
+        "korean": "토크나이저",
+        "definition": "텍스트를 모델이 처리할 토큰과 정수 ID로 나누고 변환하는 구성 요소",
+        "examples": [
+          {
+            "en": "With the AutoProcessor module, the users can train a custom FAST tokenizer on their own datasets.",
+            "ko": "또한, AutoProcessor 모듈을 사용하면 사용자 데이터셋에 맞춰 커스텀 FAST 토크나이저를 직접 학습시킬 수도 있습니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-11-10-pi0-fast.md"
+          }
+        ],
+        "synonyms": [
+          "토큰화기"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "tool calling",
+    "meanings": [
+      {
+        "korean": "도구 호출",
+        "definition": "언어 모델이 정해진 형식으로 외부 함수나 도구의 실행을 요청하는 방식",
+        "examples": [
+          {
+            "en": "Web browsing is a single-timeline task that does not require parallel tool calls, so JSON tool calling works well for that.",
+            "ko": "웹 브라우징은 병렬 도구 호출이 필요없는 단일 타임라인 작업이므로, JSON 도구 호출 방식이 적합합니다.",
+            "source": "https://github.com/huggingface/smolagents/blob/30bb1161095dbae2271e6bc3cc4c219cc3897a57/docs/source/ko/examples/multiagents.md"
+          }
+        ],
+        "synonyms": [
+          "툴 호출"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/u.json b/data/u.json
index 09cb9f7..7453429 100644
--- a/data/u.json
+++ b/data/u.json
@@ -17,5 +17,24 @@
         ]
       }
     ]
+  },
+  {
+    "term": "unsupervised learning",
+    "meanings": [
+      {
+        "korean": "비지도학습",
+        "definition": "정답 레이블 없이 데이터의 구조나 패턴을 학습하는 방법",
+        "examples": [
+          {
+            "en": "*In the field of artificial intelligence, a combination of scale in data and model capacity enabled by unsupervised learning has led to major advances in representation learning and statistical generation.",
+            "ko": "*인공지능 분야에서는 대규모의 데이터와 모델 용량을 갖춘 비지도 학습의 조합이 표현 학습과 통계적 생성에서 주요한 발전을 이끌어냈습니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/model_doc/esm.md"
+          }
+        ],
+        "synonyms": [
+          "비지도 학습"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/v.json b/data/v.json
index 565488e..2d49ba4 100644
--- a/data/v.json
+++ b/data/v.json
@@ -65,5 +65,44 @@
       }
     ],
     "issueNumber": 27
+  },
+  {
+    "term": "vision-language model",
+    "meanings": [
+      {
+        "korean": "비전-언어 모델",
+        "definition": "이미지와 텍스트를 함께 이해하거나 생성하도록 학습한 멀티모달 모델",
+        "examples": [
+          {
+            "en": "Chameleon is a Vision-Language Model that use vector quantization to tokenize images which enables the model to generate multimodal output.",
+            "ko": "Chameleon은 벡터 양자화를 사용하여 이미지를 토큰화함으로써 멀티모달 출력을 생성할 수 있는 비전-언어 모델입니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/model_doc/chameleon.md"
+          }
+        ],
+        "synonyms": [
+          "시각언어 모델",
+          "VLM"
+        ]
+      }
+    ]
+  },
+  {
+    "term": "vocabulary",
+    "meanings": [
+      {
+        "korean": "어휘",
+        "definition": "토크나이저와 모델이 고유 ID로 인식할 수 있는 토큰의 전체 집합",
+        "examples": [
+          {
+            "en": "Here for instance, \"VRAM\" wasn't in the model vocabulary, so it's been split in \"V\", \"RA\" and \"M\".",
+            "ko": "예를 들어, \"VRAM\"은 모델의 어휘 사전에 없는 단어이기 때문에 \"V\", \"RA\", \"M\"으로 나뉘었습니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/glossary.md"
+          }
+        ],
+        "synonyms": [
+          "어휘 사전"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/w.json b/data/w.json
index 3ca38a4..aaa9488 100644
--- a/data/w.json
+++ b/data/w.json
@@ -88,5 +88,26 @@
         ]
       }
     ]
+  },
+  {
+    "term": "workflow",
+    "meanings": [
+      {
+        "korean": "워크플로",
+        "definition": "여러 처리 단계와 조건, 도구 실행이 이어지는 작업 흐름",
+        "examples": [
+          {
+            "en": "This workflow leverages the Hugging Face MCP server, which is the standard way to use Hugging Face Spaces as MCP tools.",
+            "ko": "이 워크플로우는 Hugging Face MCP 서버를 활용하며, Hugging Face Spaces를 MCP 도구로 사용하는 표준 방식입니다.",
+            "source": "https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-10-06-mcp-for-research.md"
+          }
+        ],
+        "synonyms": [
+          "워크플로우",
+          "작업 흐름",
+          "작업흐름"
+        ]
+      }
+    ]
   }
 ]
diff --git a/data/z.json b/data/z.json
new file mode 100644
index 0000000..a250e9c
--- /dev/null
+++ b/data/z.json
@@ -0,0 +1,22 @@
+[
+  {
+    "term": "zero-shot learning",
+    "meanings": [
+      {
+        "korean": "제로샷 학습",
+        "definition": "과제별 학습 예시 없이 설명이나 사전 지식만으로 새로운 과제를 수행하는 방식",
+        "examples": [
+          {
+            "en": "Zero-shot image classification is a task that involves classifying images into different categories using a model that was not explicitly trained on data containing labeled examples from those specific categories.",
+            "ko": "제로샷(zero-shot) 이미지 분류는 특정 카테고리의 예시가 포함된 데이터를 학습되지 않은 모델을 사용해 이미지 분류를 수행하는 작업입니다.",
+            "source": "https://github.com/huggingface/transformers/blob/f62dc9bf2c90353b442a56e74391fbb8c689b55e/docs/source/ko/tasks/zero_shot_image_classification.md"
+          }
+        ],
+        "synonyms": [
+          "무예시 학습",
+          "제로샷"
+        ]
+      }
+    ]
+  }
+]
diff --git a/src/pages/TermDetailPage.tsx b/src/pages/TermDetailPage.tsx
index dd078ef..2922893 100644
--- a/src/pages/TermDetailPage.tsx
+++ b/src/pages/TermDetailPage.tsx
@@ -25,6 +25,7 @@ import { Layout } from '../components/Layout'
 import { useTerms } from '../hooks/useTerms'
 import type { TermMeaning, TermExample } from '../types/term'
 import { getFeedbackUrl, getIssueUrl, getNewTermUrl } from '../data/const'
+import { getReadableSourceUrl } from '../utils/sourceLinks'
 
 function isTermExample(example: string | TermExample): example is TermExample {
   return typeof example === 'object' && 'en' in example && 'ko' in example
@@ -115,7 +116,7 @@ function MeaningContent({ meaning }: { meaning: TermMeaning }) {
                     <Box sx={{ color: 'var(--fg-1)' }}>{example.ko}</Box>
                     {example.source && (
                       <Link
-                        href={example.source}
+                        href={getReadableSourceUrl(example.source)}
                         target="_blank"
                         rel="noopener noreferrer"
                         sx={{
diff --git a/src/utils/sourceLinks.ts b/src/utils/sourceLinks.ts
new file mode 100644
index 0000000..1d7c22f
--- /dev/null
+++ b/src/utils/sourceLinks.ts
@@ -0,0 +1,28 @@
+/** Reader-facing links. Keep the original, commit-pinned source in the data. */
+export function getReadableSourceUrl(source: string): string {
+  let url: URL
+  try {
+    url = new URL(source)
+  } catch {
+    return source
+  }
+  if (url.protocol !== 'https:' || url.hostname !== 'github.com') return source
+
+  const docs = url.pathname.match(
+    /^\/huggingface\/(transformers|smolagents)\/blob\/[^/]+\/docs\/source\/(ko|en)\/(.+)\.md$/,
+  )
+  if (docs) {
+    // GitHub line anchors do not refer to positions in the rendered Docs page.
+    return `https://huggingface.co/docs/${docs[1]}/${docs[2]}/${docs[3]}`
+  }
+
+  const blog = url.pathname.match(
+    /^\/Hugging-Face-KREW\/hugging-face-krew\.github\.io\/blob\/[^/]+\/_posts\/\d{4}-\d{2}-\d{1,2}-(.+)\.md$/,
+  )
+  if (blog) {
+    // KREW uses /:title/. All currently referenced posts, including explicit
+    // frontmatter slugs, were checked against their published permalinks.
+    return `https://hugging-face-krew.github.io/${blog[1]}/`
+  }
+  return source
+}
diff --git a/tests/source-links.test.mjs b/tests/source-links.test.mjs
new file mode 100644
index 0000000..520f56e
--- /dev/null
+++ b/tests/source-links.test.mjs
@@ -0,0 +1,22 @@
+import test from 'node:test'
+import assert from 'node:assert/strict'
+import { readFileSync } from 'node:fs'
+import ts from 'typescript'
+
+// Compile the small TypeScript helper in memory; no new runner/dependency needed.
+const source = readFileSync(new URL('../src/utils/sourceLinks.ts', import.meta.url), 'utf8')
+const code = ts.transpileModule(source, { compilerOptions: { module: ts.ModuleKind.ESNext } }).outputText
+const { getReadableSourceUrl } = await import(`data:text/javascript;base64,${Buffer.from(code).toString('base64')}`)
+
+test('HF Markdown examples link to the corresponding language and Docs page', () => {
+  assert.equal(getReadableSourceUrl('https://github.com/huggingface/transformers/blob/abc/docs/source/ko/perplexity.md#L13-L28'), 'https://huggingface.co/docs/transformers/ko/perplexity')
+  assert.equal(getReadableSourceUrl('https://github.com/huggingface/smolagents/blob/main/docs/source/ko/examples/rag.md'), 'https://huggingface.co/docs/smolagents/ko/examples/rag')
+  assert.equal(getReadableSourceUrl('https://github.com/huggingface/smolagents/blob/main/docs/source/en/index.md'), 'https://huggingface.co/docs/smolagents/en/index')
+})
+test('blog translations link to the KREW article, not unrelated library docs', () => {
+  assert.equal(getReadableSourceUrl('https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/aa3c6450bea58167f12a5ca42cffa7193f1819fa/_posts/2025-09-26-Introducing-smolagents.md'), 'https://hugging-face-krew.github.io/Introducing-smolagents/')
+  assert.equal(getReadableSourceUrl('https://github.com/Hugging-Face-KREW/hugging-face-krew.github.io/blob/main/_posts/2025-11-3-Welcome-GPT-OSS.md'), 'https://hugging-face-krew.github.io/Welcome-GPT-OSS/')
+})
+test('unrelated sources, already-readable links, and invalid URLs stay unchanged', () => {
+  for (const url of ['https://github.com/pytorch/pytorch', 'https://huggingface.co/docs/smolagents/ko/index', 'https://www.deeplearningbook.org/', 'invalid']) assert.equal(getReadableSourceUrl(url), url)
+})