Improve the traslation of the models part(flan,gpt-4) by the reviews of the Application team

pages/models/flan.kr.mdx

@@ -13,17 +13,17 @@ import FLAN9 from "../../img/flan-9.png";
 import FLAN10 from "../../img/flan-10.png";
 import FLAN11 from "../../img/flan-11.png";
 
-## What's new?
+## 새로운 소식은 무엇인가요?
 
 <Screenshot src={FLAN1} alt="FLAN1" />
 이미지 출처: [Scaling Instruction-Finetuned Language Models](https://arxiv.org/abs/2210.11416)
 
-이 논문은 [지시에 따른 파인튜닝](https://arxiv.org/pdf/2109.01652.pdf)의 스케일링에서의 장점을 알아보며 다양한 모델(PaLM, T5)과 프롬프팅 셋업(zero-shot, few-shot, CoT), 벤치마크(MMLU, TyDiQA)에서 어떻게 성능을 개선하는지를 다룹니다. 이는 다음과 같은 측면에서 탐구되었습니다: 작업 수의 스케일링 (1,800개의 작업), 모델 크기의 스케일링 및 생각의 사슬(Chain of Tought) 데이터의 파인튜닝 (9개의 데이터셋 사용).
+이 논문은 [지시에 따른 파인튜닝](https://arxiv.org/pdf/2109.01652.pdf)의 스케일링에서의 장점을 알아보며 다양한 모델(PaLM, T5)과 프롬프팅 설정(zero-shot, few-shot, CoT), 벤치마크(MMLU, TyDiQA)에서 어떻게 성능을 개선하는지를 다룹니다. 이는 다음과 같은 측면에서 탐구되었습니다: 작업 수의 스케일링 (1,800개의 작업), 모델 크기의 스케일링 및 생각의 사슬(Chain of Tought) 데이터의 파인튜닝 (9개의 데이터셋 사용).
 
 **파인튜닝 절차:**
 
 - 1,800개의 작업을 지시사항으로 모델을 파인튜닝 하는 데 활용했습니다.
-- 예시가 있는 경우와 없는 경우, CoT(Chain of Tought)가 있는 경우와 그렇지 않은을 때 모두 적용했습니다.
+- 예시가 있는 경우와 없는 경우, CoT(Chain of Tought)가 있는 경우와 그렇지 않은 경우 모두 적용했습니다.
 
 Finetuning 및 Held-out 작업은 다음과 같습니다:
 
@@ -31,10 +31,10 @@ Finetuning 및 Held-out 작업은 다음과 같습니다:
 
 ## 기능 및 주요 결과(Capabilities & Key Results)
 
-- Instruction finetuning은 작업의 수와 모델의 크기와 함께 향상될 수 있습니다; 이는 작업의 수와 모델의 크기를 더욱 확장해야 함을 시사합니다.
+- 지시에 따른 파인튜닝은 작업의 수와 모델의 크기와 함께 향상될 수 있습니다; 이는 작업의 수와 모델의 크기를 더욱 확장해야 함을 시사합니다.
 - CoT 데이터셋을 파인튜닝에 추가하면 추론 작업에서 우수한 성능을 보여줍니다.
 - Flan-PaLM은 다국어 능력을 향상했습니다.; one-shot TyDiQA에서 14.9%; under-represented languages 산술적 추론에서 8.1% 개선을 보였습니다.
-- Plan-PaLM은 또한 확장 할 수 있(open-ended)는 생성 질문에서도 우수한 성능을 보여주며, 이는 사용성이 향상한 것을 알 수 있는 좋은 지표입니다
+- Plan-PaLM은 또한 확장할 수 있는(open-ended) 생성 질문에서도 우수한 성능을 보여주며, 이는 사용성이 향상된 것을 알 수 있는 좋은 지표입니다
 - Responsible AI (RAI) 벤치마크에서도 성능을 향상했습니다.
 - Flan-T5 instruction tuned 모델은 강력한 퓨샷(few-shot) 성능을 보여주며, T5(Text-to-Text Transfer Transformer)와 같은 사전 훈련된 모델(public checkpoint)보다 뛰어난 성능을 보여줍니다.
 
@@ -63,7 +63,7 @@ CoT 파인튜닝은 BIG-Bench(Beyond the limitation Game Benchmark) 작업에서
 <Screenshot src={FLAN5} alt="FLAN5" />
 이미지 출처: [Scaling Instruction-Finetuned Language Models](https://arxiv.org/abs/2210.11416)
 
-아래는 제로샷(zero-shot) 프롬프팅에 대한 더 많은 예시입니다. 이는 제로샷 환경에서 PaLM이 반복 및 지시에 응답하지 못하는 문제가 있지만, Flan-PaLM은 잘 수행할 수 있음을 보여줍니다. 퓨샷 예제를 사용 시 이러한 오류를 줄일 수 있습니다.
+아래는 제로샷 프롬프팅에 대한 더 많은 예시입니다. 이는 제로샷 환경에서 PaLM이 반복 및 지시에 응답하지 못하는 문제가 있지만, Flan-PaLM은 잘 수행할 수 있음을 보여줍니다. 퓨샷 예시를 사용 시 이러한 오류를 줄일 수 있습니다.
 
 <Screenshot src={FLAN7} alt="FLAN7" />
 이미지 출처: [Scaling Instruction-Finetuned Language Models](https://arxiv.org/abs/2210.11416)

pages/models/gpt-4.kr.mdx

@@ -27,13 +27,13 @@ import GPT48 from "../../img/gpt4-8.png";
 
 <Screenshot src={GPT42} alt="GPT42" />
 
-GPT-4는 미국 변호사 자격시험(Bar Exam) 시뮬레이션에서 상위 10%의 점수를 이뤘습니다. 또한 MMLU나 HellaSwag와 같은 다양한 어려운 벤치마크에서도 인상적인 결과를 보여줬습니다.
+GPT-4는 미국 변호사 자격시험(Bar Exam) 시뮬레이션에서 상위 10%의 점수를 이뤘습니다. 또한 MMLU나 HellaSwag와 같은 다양하고 어려운 벤치마크에서도 인상적인 결과를 보여줬습니다.
 
 OpenAI는 GPT-4가 적대적 테스트 프로그램(Adversarial Testing Program)과 ChatGPT로부터 얻은 교훈을 통해 향상되었으며, 이는 사실성, 조정 가능성, 정렬성 측면에서 더 나은 결과를 이끌었다고 주장합니다.
 
 ## 시각 능력(Vision Capabilities)
 
-GPT-4 API는 현재 텍스트 입력만 지원하지만, 앞으로 이미지 입력 기능 역시 지원할 계획이 있습니다. OpenAI는 GPT-3.5 (ChatGPT를 구동하는 모델)와 비교해, GPT-4가 보다 신뢰성이 높고 창의적이며, 더 복잡한 작업을 위한 미묘한 지시를 처리할 수 있다고 주장합니다. GPT-4는 다양한 언어에 걸쳐 성능을 향상했습니다.
+GPT-4 API는 현재 텍스트 입력만 지원하지만, 앞으로 이미지 입력 기능 역시 지원할 계획이 있습니다. OpenAI는 GPT-3.5 (ChatGPT를 구동하는 모델)와 비교해, GPT-4가 더욱 신뢰성이 높고 창의적이며, 더 복잡한 작업을 위한 미묘한 지시를 처리할 수 있다고 주장합니다. GPT-4는 다양한 언어에 걸쳐 성능을 향상했습니다.
 
 이미지 입력 기능은 아직 공개적으로 이용할 수 없지만, 퓨샷(few-shot)과 생각의 사슬(chain-of-thought) 프롬프팅 기법을 활용하여 이미지 관련 작업 성능을 향상할 수 있습니다.
 
@@ -72,7 +72,7 @@ GPT-4 API는 현재 텍스트 입력만 지원하지만, 앞으로 이미지 입
 
 ## GPT-4 조종하기(Steering GPT-4)
 
-실험 가능한 한 가지 분야는 `system` 메시지를 통해 모델이 특정한 톤과 스타일로 답변을 제공하는 능력입니다. 이것은 개인화를 가속화하고 특정 사용 사례에 대해 정확하고 더욱 정밀한 결과를 얻을 수 있습니다.
+실험할 수 있는 한 가지 분야는 `system` 메시지를 통해 모델이 특정한 톤과 스타일로 답변을 제공하는 능력입니다. 이것은 개인화를 가속화하고 특정 사용 사례에 대해 정확하고 더욱 정밀한 결과를 얻을 수 있습니다.
 
 예를 들어, 실험에 사용할 데이터를 생성하는 AI 조력자를 만들고자 합니다. 우리는 `system` 메시지를 사용하여 모델이 특정 스타일로 데이터를 생성하도록 조종할 수 있습니다.
 
@@ -132,11 +132,11 @@ TruthfultQA 벤치마크에서, RLHF(Reinforcement Learning from Human Feedback)
 
 <Screenshot src={GPT45} alt="GPT45" />
 
-다음은 실패 사례 예시입니다:
+다음은 실패 사례입니다:
 
 <Screenshot src={GPT46} alt="GPT46" />
 
-답은 `엘비스 프레슬리(Elvis Presley)`입니다. 이는 이러한 모델이 일부 사용 사례에 대해 얼마나 취약한지를 강조합니다. GPT-4를 다른 외부 지식과 결합하여 정확성을 향상하거나, 우리가 여기에서 배운 맥락적 학습(in-conext learning)이나 생각의 사슬 프롬프팅과 같은 기술을 사용하여 결과의 정확성을 높이는 것은 흥미로울 것입니다.
+답은 `엘비스 프레슬리(Elvis Presley)`여야 합니다. 이는 이러한 모델이 일부 사용 사례에 대해 얼마나 취약한지를 강조합니다. GPT-4를 다른 외부 지식과 결합하여 정확성을 향상하거나, 우리가 여기에서 배운 맥락적 학습(in-conext learning)이나 생각의 사슬 프롬프팅과 같은 기술을 사용하여 결과의 정확성을 높이는 것은 흥미로울 것입니다.
 
 한번 시도해보겠습니다. "단계적으로 생각해(Think step-by-step)"라는 지시를 추가했습니다. 아래는 그 결과입니다: