Show HN: Qwen3-4B의 AI 특유 글쓰기 습관을 학습으로 제거한 모델

Qwen3-4B-Instruct를 MacBook Air에서 답변 161개로 미세 조정한 qwen3-4b-deslop을 공개함. 별도 시스템 프롬프트 없이 AI 특유의 문체를 줄이며 Ollama로 로컬 실행할 수 있음 학습에 쓰지 않은 40개 프롬프트에서 자체 문체 점수가 1,000단어당 121에서 12.5로 낮아졌고, 답변의 68%가 사람이 쓴 글의 점수 범위에 들어감 문체 점수만 최적화한 중간 모델은 의견 없는 논평, 가짜 연구 인용, 반복적인 접속 표현을 만들어 요청 수행 여부를 확인하는 필터를 추가함 최종 모델은 사실 질문 30개 모두 정답을 유지했고, 장르와 길이 등 요청 적합도는 원본 78% 대비 80% 였음 짧은 영어 산문만 검증했으며, 밋밋한 문체와 이름 및 장소를 지어내는 문제가 남음. 자체 정규식 점수와 규칙 기반 평가 결과를 독자 대상 블라인드 테스트로 확인하지는 않았음 공개 모델과 평가 결과 qwen3-4b-deslop은 Qwen3-4B-Instruct의 엠 대시, “X가 아니라 Y”, 세 항목 나열 같은 글쓰기 습관을 줄이도록 학습한 소형 공개 모델임 MacBook Air에서 답변 161개로 학습했으며, 모델 크기에 의존하지 않는 학습 절차를 더 큰 모델에도 적용할 계획임 평가는 학습에 사용하지 않은 10개 주제와 4개 장르를 조합한 프롬프트 40개로 진행함 장르는 블로그 글, LinkedIn 게시물, 설명문, 논평이며, 시스템 프롬프트 없이 temperature 0.7로 프롬프트당 답변 하나를 샘플링함 비교 화면의 생성은 260토큰에서 중단해 긴 답변은 문장 중간에 끝나기도 함 최종 모델의 자체 문체 점수는 1,000단어당 121 → 12.5로 줄었고, 답변의 68%가 사람이 쓴 글의 일반적인 범위인 15 미만에 들어감 엠 대시는 1,000단어당 20.5회에서 0회로 줄어듦 CRM 전환을 알리는 LinkedIn 게시물 예시에서는 원본의 점수 223과 탐지 14건이 수정 모델의 점수 22와 탐지 1건으로 감소함 원본은 상투적인 발표 문구와 장점 나열을 사용했고, 수정 모델은 스프레드시트에서 Salesforce로 옮긴 과정과 남은 교육 문제를 서술함 문체 점수와 손상 검사 문체 탐지기는 AI 글쓰기 습관에 관한 스타일 가이드를 정규식으로 구현하고, 습관별 가중치를 적용해 1,000단어당 점수를 계산함 엠 대시, “X가 아니라 Y”, 세 항목 나열, 질문 직후 스스로 답하기, “here's t...