Skip to content

HF 번역 문서 기반 용어 83개 추가 및 출처 링크 개선 #56

New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

Sign up for GitHub

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Merged
Jwaminju merged 2 commits into from
Sep 13, 2026
Merged

HF 번역 문서 기반 용어 83개 추가 및 출처 링크 개선 #56

Show file tree
Hide file tree
Changes from all commits
Commits
Show all changes
2 commits
Select commit Hold shift + click to select a range
614fd33
Add 83 HF glossary terms
Jwaminju Sep 13, 2026
fe26403
Link sources to official reading pages
Jwaminju Sep 13, 2026
File filter

Filter by extension

Filter by extension
Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
145 changes: 145 additions & 0 deletions data/a.json
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -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": []
}
]
}
]
36 changes: 36 additions & 0 deletions data/b.json
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -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"
]
}
]
}
]
169 changes: 169 additions & 0 deletions data/c.json
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -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"
]
}
]
}
]
Loading