NeuroBait는 ADHD의 '실행 착수 마비(task-initiation paralysis)'를 돕기 위해 google/gemma-3-12b-it를 파인튜닝한 모델로, 할 일 목록 대신 따뜻한 3~6문장으로 지금 당장 할 수 있는 아주 작은 행동 하나를 제시한다. 저자는 ADHD가 있는 아내를 관찰하며 '무엇을 할지 모르는 것'이 아니라 '시작하지 못하는 것'이 핵심 문제임을 포착하고, 죄책감·훈계 없이 사용자를 능동적 주인공으로 두는 응답 스타일을 데이터로 학습시켰다. 학습은 Unsloth 기반 16비트 LoRA(r=16, 3에폭, LR 2e-4)로 modal.com의 H100에서 진행했고, 배포는 ZeroGPU에서 4비트로 베이스를 로드한 뒤 LoRA 어댑터를 런타임에 적용한다. 모델 크기보다 데이터 품질이 '목소리'를 좌우하며, ADHD뿐 아니라 과부하에 빠진 누구에게나 작동한다는 점이 핵심이다.
- •google/gemma-3-12b-it 기반, 16비트 LoRA(Unsloth, r=16/alpha=16, 3에폭, LR 2e-4)로 H100에서 파인튜닝
- •할 일 목록 대신 3~6문장의 따뜻한 산문으로 '지금 할 수 있는 아주 작은 행동 하나'를 제안해 착수 마비를 해소
- •ADHD 아내 관찰에서 출발해 핵심 문제는 '무엇을 할지'가 아니라 '시작하기'라는 통찰에 기반
- •배포는 HF Space ZeroGPU에서 4비트 bitsandbytes로 베이스 로드 후 LoRA 어댑터 런타임 적용
- •모델 크기보다 손수 큐레이션한 데이터 품질이 '목소리'를 결정; 향후 오픈웨이트·이중언어(인니/영어) 계획
NeuroBait: I fine-tuned a model to spark dopamine for ADHD brain
- 1.ADHD의 '시작 못 하는 마비'를 겨냥해 할 일 목록 대신 도파민 자극 한 문장으로 첫 행동을 유도하는 모델
- 2.google/gemma-3-12b-it 베이스에 16-bit LoRA(r=16, 3에폭, H100)로 파인튜닝
- 3.손수 큐레이션한 소량 합성 데이터 사용, 말투엔 데이터 품질이 모델 크기보다 중요하다는 교훈
- 4.ZeroGPU 허깅페이스 스페이스에 4-bit로 배포, 향후 오픈웨이트·인니/영어 이중언어 계획
왜 중요한가?
ADHD AI 도구 대부분이 진단·체크리스트에 머무는 가운데 실제 관찰로 '시작 장벽'이라는 핵심 문제를 겨냥했고, 소량 고품질 데이터로 작은 모델의 말투를 바꿔 큰 효과를 낸 점에서 개인화·소형 모델 파인튜닝의 실용 사례다.
전체 내용이 궁금하다면?
원문을 직접 읽어보세요