우리는 실질적인 메모리 및 서빙 제약 조건 하에서 한국어-영어 기업용 에이전트를 위해 Cohere와 LG CNS의 협업을 통해 개발된 111B-파라미터 하이브리드 추론 모델인 LuckyStar 111B를 선보입니다. 이 모델은 새로운 사전 학습 (pretraining) 실행 대신 Cohere의 완전히 사후 학습 (post-trained)된 Command A 모델로부터 학습하며, 서문 조건화 (preamble conditioning)를 사용하여 간결한 비추론 동작과 더 긴 도구 지향적 추론 사이를 전환합니다. 우리는 도구 사용 에이전트를 효율적으로 확장하기 위한 네 가지 선택지를 연구합니다: 다국어 지도 미세 조정 (multilingual supervised fine-tuning), 다단계 도구 사용 작업을 위한 검증 가능한 보상 (verifiable rewards) 기반 강화 학습 (RL), 한국어 사용자 대상 응답을 위한 언어 일관성 보상 (language-consistency rewards), 그리고 단일 GPU 서빙을 위한 4비트 양자화 (4-bit quantization)입니다. 적응된 모델은 일반적인 한국어 및 영어 지시 이행 (instruction-following) 품질을 유지하면서 수학적 추론, 함수 호출 (function calling), 그리고 에이전트 기반의 자연어-to-SQL (NL2SQL) 성능을 향상시킵니다. 이러한 결과는 메모리가 제한된 배포 환경에서 사후 학습된 다국어 모델을 검증 가능한 에이전트 워크플로 (agentic workflows)로 적응시키기 위한 실질적인 레시피와 실패 모드 분석을 제공합니다.