fix: Seed-X 프롬프트 형식과 티어별 용어집 전략 수정

4티어(Seed-X-PPO-7B) 번역 경로가 모델 카드 요구사항을 어기고 있었다.

- 프롬프트 끝의 `<ko>` 등 대상 언어 태그가 빠져 있었다. PPO 학습에 쓰인
  신호라 없으면 번역 품질이 흔들린다.
- Seed-X 는 chat template 없는 번역 전용 completion 모델인데 "구어체로
  자연스럽게" 같은 지시문 래퍼를 씌우고 있었다. 학습 분포를 벗어난다.
- 그 결과 MTSpec.supports_prompt_glossary=True 가 사실과 달랐다.
  Seed-X 는 용어집 지시문을 이해하지 못하므로 플레이스홀더 치환을 써야 한다.

수정
- PromptStyle(NONE/SEEDX/INSTRUCT) 도입, supports_prompt_glossary 를
  prompt_style 에서 파생시켜 둘이 어긋날 수 없게 함
- build_seedx_prompt() 로 모델 카드 형식을 분리 (지시문 주입 불가)
- INSTRUCT 경로는 chat template 사용, Qwen3 thinking 모드는 끔
- LANGUAGES 에 seedx 태그 명시
- finetune_mt.py 가 티어의 prompt_style 을 따라가게 해 학습/추론 프롬프트 일치
- AWQ Int4 로드 실패 시 autoawq 설치 안내를 담은 오류 메시지

검증: pytest 52개 통과 (프롬프트 회귀 테스트 13개 추가), ruff clean

근거: https://huggingface.co/ByteDance-Seed/Seed-X-PPO-7B

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

scripts/finetune_mt.py

@@ -21,7 +21,13 @@ from pathlib import Path
 sys.path.insert(0, str(Path(__file__).resolve().parents[1] / "src"))
 
 from hearo.constants import LANGUAGES, models_dir  # noqa: E402
-from hearo.models.tiers import MTBackend, get_tier, ordered_tiers  # noqa: E402
+from hearo.models.tiers import (  # noqa: E402
+    MTBackend,
+    PromptStyle,
+    get_tier,
+    ordered_tiers,
+)
+from hearo.models.translator import build_seedx_prompt  # noqa: E402
 
 #: NLLB(seq2seq)와 Qwen(causal LM)에서 공통으로 존재하는 attention 투영 이름
 LORA_TARGETS = ["q_proj", "v_proj"]
@@ -52,8 +58,19 @@ def load_pairs(path: Path) -> list[dict]:
     return pairs
 
 
-def build_prompt(item: dict) -> tuple[str, str]:
-    """LLM 학습용 (프롬프트, 정답) 쌍. translator.py 의 추론 프롬프트와 맞춰야 한다."""
+def build_prompt(item: dict, style: PromptStyle = PromptStyle.INSTRUCT) -> tuple[str, str]:
+    """LLM 학습용 (프롬프트, 정답) 쌍.
+
+    **추론 때 쓰는 프롬프트와 반드시 같아야 한다.** 형식이 어긋나면 학습은
+    정상적으로 끝나지만 실제 번역에서는 효과가 거의 나오지 않는다. 그래서
+    Seed-X 형식은 translator.py 의 함수를 그대로 재사용한다.
+    """
+    if style is PromptStyle.SEEDX:
+        prompt = build_seedx_prompt(
+            item["source"], item["source_lang"], item["target_lang"]
+        )
+        return prompt, "\n" + item["target"]
+
     src = LANGUAGES[item["source_lang"]]["english"]
     tgt = LANGUAGES[item["target_lang"]]["english"]
     prompt = (
@@ -65,7 +82,8 @@ def build_prompt(item: dict) -> tuple[str, str]:
     return prompt, " " + item["target"]
 
 
-def train_llm(pairs, repo, output: Path, epochs: int, lr: float, rank: int, batch: int):
+def train_llm(pairs, repo, output: Path, epochs: int, lr: float, rank: int, batch: int,
+              style: PromptStyle = PromptStyle.INSTRUCT):
     import torch
     from datasets import Dataset
     from peft import LoraConfig, get_peft_model
@@ -82,7 +100,7 @@ def train_llm(pairs, repo, output: Path, epochs: int, lr: float, rank: int, batc
         tokenizer.pad_token = tokenizer.eos_token
 
     def encode(item):
-        prompt, answer = build_prompt(item)
+        prompt, answer = build_prompt(item, style)
         prompt_ids = tokenizer(prompt, add_special_tokens=False)["input_ids"]
         answer_ids = tokenizer(answer, add_special_tokens=False)["input_ids"]
         answer_ids.append(tokenizer.eos_token_id)
@@ -227,7 +245,10 @@ def main() -> int:
     if tier.mt.backend is MTBackend.TRANSFORMERS:
         repo = args.base_model or tier.mt.repo
         print(f"LLM LoRA 학습: {repo} · {len(pairs)}쌍 · {args.epochs} epoch")
-        train_llm(pairs, repo, args.output, args.epochs, args.lr, args.rank, args.batch)
+        train_llm(
+            pairs, repo, args.output, args.epochs, args.lr, args.rank, args.batch,
+            tier.mt.prompt_style,
+        )
     else:
         # CT2 변환본에는 학습에 필요한 가중치가 없으므로 원본 리포로 바꾼다.
         repo = args.base_model or _hf_original(tier.mt.repo)