diff --git a/recipes_source/torch_export_challenges_solutions.rst b/recipes_source/torch_export_challenges_solutions.rst
index 5dcbb5d5..27b17634 100644
--- a/recipes_source/torch_export_challenges_solutions.rst
+++ b/recipes_source/torch_export_challenges_solutions.rst
@@ -13,7 +13,7 @@ torch.export 흐름의 설명, 일반적인 문제점과 이들을 해결하기
 * 이미지 캡셔닝 (`BLIP <https://github.com/salesforce/BLIP>`__)
 * 프롬프트 기반 이미지 분할 (`SAM2 <https://ai.meta.com/sam2/>`__)
 
-각 네 가지 모델은 ``torch.export``의 고유한 기능을 보여주고, 구현 과정에서의 실질적인 고려사항과 발생할 수 있는 문제들을 함께 다루기 위해 선정되었습니다.
+각 네 가지 모델은 ``torch.export`` 의 고유한 기능을 보여주고, 구현 과정에서의 실질적인 고려사항과 발생할 수 있는 문제들을 함께 다루기 위해 선정되었습니다.
 
 전제 조건
 -------------
@@ -21,17 +21,16 @@ torch.export 흐름의 설명, 일반적인 문제점과 이들을 해결하기
 * PyTorch 2.4 이상 버전
 * ``torch.export`` 및 PyTorch Eager 추론에 대한 기본적인 이해
 
-``torch.export``의 핵심 요구 사항: 그래프 분절(graph break) 없음
+``torch.export`` 의 핵심 요구 사항: 그래프 분절(graph break) 없음
 ----------------------------------------------------
 
-`torch.compile <https://tutorials.pytorch.kr/intermediate/torch_compile_tutorial.html>`__ 은 JIT를 활용해 PyTorch 코드를 최적화된 커널로 컴파일함으로써 실행 속도를 향상시킵니다. 주어진 모델을 ``TorchDynamo``를 활용하여 최적화하고,
- 최적화된 그래프를 만든 뒤, API에서 지정한 백엔드를 통해 하드웨어에 맞게 실행되도록 변환합니다.
+`torch.compile <https://tutorials.pytorch.kr/intermediate/torch_compile_tutorial.html>`__ 은 JIT를 활용해 PyTorch 코드를 최적화된 커널로 컴파일함으로써 실행 속도를 향상시킵니다. 주어진 모델을 ``TorchDynamo`` 를 활용하여 최적화하고, 최적화된 그래프를 만든 뒤, API에서 지정한 백엔드를 통해 하드웨어에 맞게 실행되도록 변환합니다.
 
-TorchDynamo가 지원하지 않는 Python의 기능을 만나면, 계산 그래프는 중단하고 해당 코드는 기본 Python 인터프리터가 처리하도록 하고, 그래프 캡쳐를 이어나갑니다.
+``TorchDynamo`` 가 지원하지 않는 Python의 기능을 만나면, 계산 그래프는 중단하고 해당 코드는 기본 Python 인터프리터가 처리하도록 하고, 그래프 캡쳐를 이어나갑니다.
 이러한 중단된 계산 그래프를 `graph break <https://tutorials.pytorch.kr/intermediate/torch_compile_tutorial.html#torchdynamo-and-fx-graphs>`__ 라고 칭합니다.
 
-``torch.export``와 ``torch.compile``의 주요한 차이점 중 하나는 ``torch.export``는 그래프 분절을 지원하지 않는다는 것입니다. 즉, 내보내려는 전체 모델 또는 모델의 일부는 단일 그래프 형태여야 합니다.
-이는 그래프 분절을 처리하려면 지원되지 않는 연산을 기본 Python으로 평가해야하는데, 이러한 방식이 ``torch.export``의 설계와 호환되지 않기 때문입니다.
+``torch.export`` 와 ``torch.compile`` 의 주요한 차이점 중 하나는 ``torch.export`` 는 그래프 분절을 지원하지 않는다는 것입니다. 즉, 내보내려는 전체 모델 또는 모델의 일부는 단일 그래프 형태여야 합니다.
+이는 그래프 분절을 처리하려면 지원되지 않는 연산을 기본 Python으로 평가해야하는데, 이러한 방식이 ``torch.export`` 의 설계와 호환되지 않기 때문입니다.
 다양한 PyTorch 프레임워크들의 차이점에 대한 세부적인 정보는 `link <https://pytorch.org/docs/main/export.html#existing-frameworks>`__ 에서 확인할 수 있습니다.
 
 아래의 커맨드를 사용해서 프로그램 내의 그래프 분절을 확인할 수 있습니다.
@@ -41,10 +40,10 @@ TorchDynamo가 지원하지 않는 Python의 기능을 만나면, 계산 그래
    TORCH_LOGS="graph_breaks" python <file_name>.py
 
 프로그램 내의 그래프 분절을 제거하도록 코드를 수정해야 합니다. 문제가 해결된다면, 모델을 내보낼 준비가 된 것입니다.
-PyTorch는 인기 있는 HuggingFace와 TIMM 모델에서 ``torch.compile``을 위해서 `nightly benchmarks <https://hud.pytorch.org/benchmark/compilers>`__ 를 실행합니다.
+PyTorch는 인기 있는 HuggingFace와 TIMM 모델에서 ``torch.compile`` 을 위해서 `nightly benchmarks <https://hud.pytorch.org/benchmark/compilers>`__ 를 실행합니다.
 이러한 모델 대부분은 그래프 분절이 없습니다.
 
-해당 레시피에 포함된 모델들은 그래프 분절이 없지만, `torch.export` 는 실패합니다.
+해당 레시피에 포함된 모델들은 그래프 분절이 없지만, ``torch.export`` 는 실패합니다.
 
 영상 분류
 --------------------
@@ -52,7 +51,7 @@ PyTorch는 인기 있는 HuggingFace와 TIMM 모델에서 ``torch.compile``을 
 MViT는 `MultiScale Vision Transformers <https://arxiv.org/abs/2104.11227>`__ 을 기반으로한 모델의 클래스입니다. 이 모델은 `Kinetics-400 Dataset <https://arxiv.org/abs/1705.06950>`__ 을 사용하여 사전 훈련된 영상 분류 모델입니다.
 이 모델은 적절한 데이터 셋과 함께 사용한다면, 게임 환경에서의 동작 인식에 활용할 수 있습니다.
 
-아래의 코드는 MViT를 ``batch_size=2``로 트레이싱하여 내보내고, 이후 ``batch_size=4``로 내보낸 프로그램이 정상적으로 실행되는지 확인합니다.
+아래의 코드는 MViT를 ``batch_size=2`` 로 트레이싱하여 내보내고, 이후 ``batch_size=4`` 로 내보낸 프로그램이 정상적으로 실행되는지 확인합니다.
 
 .. code:: python
 
@@ -97,10 +96,10 @@ MViT는 `MultiScale Vision Transformers <https://arxiv.org/abs/2104.11227>`__ 
 해결 방법
 ~~~~~~~~
 
-이 오류를 해결하기 위해, 입력의 첫 번째 차원 (``batch_size``)을 동적으로 지정하고, 허용되는 ``batch_size``의 범위를 지정합니다.
-아래의 수정된 예제에서는, ``batch_size``의 허용 범위를 1부터 16까지로 지정합니다.
+이 오류를 해결하기 위해, 입력의 첫 번째 차원 (``batch_size``)을 동적으로 지정하고, 허용되는 ``batch_size`` 의 범위를 지정합니다.
+아래의 수정된 예제에서는, ``batch_size`` 의 허용 범위를 1부터 16까지로 지정합니다.
 여기서 알려드릴 세부사항은 ``min=2`` 은 버그가 아니라는 것이고 이에 대한 설명은 `The 0/1 Specialization Problem <https://docs.google.com/document/d/16VPOa3d-Liikf48teAOmxLc92rgvJdfosIy-yoT38Io/edit?fbclid=IwAR3HNwmmexcitV0pbZm_x1a4ykdXZ9th_eJWK-3hBtVgKnrkmemz6Pm5jRQ#heading=h.ez923tomjvyk>`__ 문서에서 확인할 수 있습니다.
-또한 ``torch.export``의 동적 입력 형태에 대한 자세한 설명은 export 튜토리얼에서 찾아볼 수 있습니다.
+또한 ``torch.export`` 의 동적 입력 형태에 대한 자세한 설명은 export 튜토리얼에서 찾아볼 수 있습니다.
 아래의 코드는 동적 배치 사이즈를 사용하여 mViT를 내보내는 방법을 보여줍니다.
 
 .. code:: python
@@ -172,16 +171,16 @@ MViT는 `MultiScale Vision Transformers <https://arxiv.org/abs/2104.11227>`__ 
    torch._dynamo.exc.InternalTorchDynamoError: AttributeError: 'DynamicCache' object has no attribute 'key_cache'
 
 
-기본적으로 ``torch.export``는 `TorchDynamo <https://pytorch.org/docs/stable/torch.compiler_dynamo_overview.html>`__ 라는 바이트코드 분석 엔진을 사용하여 코드를 처리합니다, 이는 코드를 심볼릭하게 분석하여 그래프를 생성합니다.
+기본적으로 ``torch.export`` 는 `TorchDynamo <https://pytorch.org/docs/stable/torch.compiler_dynamo_overview.html>`__ 라는 바이트코드 분석 엔진을 사용하여 코드를 처리합니다, 이는 코드를 심볼릭하게 분석하여 그래프를 생성합니다.
 이 분석은 안전성 보장을 강화해주지만, 모든 Python 코드를 지원하는 것은 아닙니다. ``whisper-tiny`` 모델을 기본 strict 모드로 내보낼 때, Dynamo에서 지원되지 않는 기능 때문에 일반적으로 오류가 발생합니다.
 Dynamo에서 이 에러가 발생하는 이유를 이해하려면, `GitHub issue <https://github.com/pytorch/pytorch/issues/144906>`__ 해당 깃허브 이슈를 참고하세요.
 
 해결 방법
 ~~~~~~~~
 
-위의 에러를 해결하기 위해, ``torch.export``는 Python 인터프리터를 사용해 프로그램을 트레이싱하는 ``non_strict`` 모드를 제공하며, 이는 PyTorch eager 실행과 유사하게 동작합니다.
-유일한 차이점은 모든 ``Tensor`` 객체가 ``ProxyTensors``로 대체되며, 이는 모든 연산이 그래프에 기록된다는 것입니다.
-``strict=False``을 사용하면, 프로그램에서 내보낼 수 있습니다.
+위의 에러를 해결하기 위해, ``torch.export`` 는 Python 인터프리터를 사용해 프로그램을 트레이싱하는 ``non_strict`` 모드를 제공하며, 이는 PyTorch eager 실행과 유사하게 동작합니다.
+유일한 차이점은 모든 ``Tensor`` 객체가 ``ProxyTensors`` 로 대체되며, 이는 모든 연산이 그래프에 기록된다는 것입니다.
+``strict=False`` 을 사용하면, 프로그램에서 내보낼 수 있습니다.
 
 .. code:: python
 
@@ -204,9 +203,9 @@ Dynamo에서 이 에러가 발생하는 이유를 이해하려면, `GitHub issue
 이미지 캡셔닝
 ----------------
 
-**이미지 캡셔닝**은 이미지에 있는 단어의 내용을 정의하는 업무를 수행한다. 게임 환경에서 이미지 캡셔닝은 장면 내 다양한 게임 객체에 대한 텍스트 설명을 동적으로 생성하며, 게이머에게 추가적인 정보를 제공함으로써 게임 플레이 경험을 향상시키는데 활용될 수 있습니다.
+**이미지 캡셔닝** 은 이미지에 있는 단어의 내용을 정의하는 업무를 수행한다. 게임 환경에서 이미지 캡셔닝은 장면 내 다양한 게임 객체에 대한 텍스트 설명을 동적으로 생성하며, 게이머에게 추가적인 정보를 제공함으로써 게임 플레이 경험을 향상시키는데 활용될 수 있습니다.
 `BLIP <https://arxiv.org/pdf/2201.12086>`__ 는 이미지 캡셔닝 분야에서 널리 사용되는 모델로, `released by SalesForce Research <https://github.com/salesforce/BLIP>`__ 에서 공개되었습니다.
-아래 코드는 ``batch_size=1``로 BLIP를 내보내려고 시도합니다.
+아래 코드는 ``batch_size=1`` 로 BLIP를 내보내려고 시도합니다.
 
 .. code:: python
 
@@ -232,7 +231,7 @@ Dynamo에서 이 에러가 발생하는 이유를 이해하려면, `GitHub issue
 
 모델을 내보낼 때, 모델 구현에서 ``torch.export`` 에서 아직 지원하지 않는 특정 Python 연산이 포함이 될 수 있기 때문에 실패할 수 있습니다.
 이 실패 사례들 중 일부는 해결 방법이 있을 수 있습니다. BLIP는 원래 모델에서 오류가 발생하는 예시이지만, 코드에 작은 수정을 하면 해결할 수 있습니다.
-``torch.export``는 `ExportDB <https://pytorch.org/docs/main/generated/exportdb/index.html>`__ 에서 지원하는 연산과 지원하지 않는 연산의 일반적인 사례들을 나열하고, 코드에서 내보낼 수 있도록 수정하는 방법을 보여줍니다.
+``torch.export`` 는 `ExportDB <https://pytorch.org/docs/main/generated/exportdb/index.html>`__ 에서 지원하는 연산과 지원하지 않는 연산의 일반적인 사례들을 나열하고, 코드에서 내보낼 수 있도록 수정하는 방법을 보여줍니다.
 
 .. code:: console
 
@@ -261,7 +260,7 @@ Dynamo에서 이 에러가 발생하는 이유를 이해하려면, `GitHub issue
 프롬프트 기반 이미지 분할
 -----------------------------
 
-**이미지 분할**은 디지털 이미지를 픽셀 단위의 특징에 따라 서로 다른 그룹, 즉 세그먼트로 나누는 컴퓨터 비전 기술입니다.
+**이미지 분할** 은 디지털 이미지를 픽셀 단위의 특징에 따라 서로 다른 그룹, 즉 세그먼트로 나누는 컴퓨터 비전 기술입니다.
 `Segment Anything Model (SAM) <https://ai.meta.com/blog/segment-anything-foundation-model-image-segmentation/>`__) 은 프롬프트 기반 이미지 분할을 도입한 모델로, 사용자가 원하는 객체를 지정하는 프롬프트를 입력하면 해당 객체의 마스크를 예측합니다.
 `SAM 2 <https://ai.meta.com/sam2/>`__ 는 이미지와 비디오에서 객체를 분할하기 위한 최초의 통합 모델입니다. `SAM2ImagePredictor <https://github.com/facebookresearch/sam2/blob/main/sam2/sam2_image_predictor.py#L20>`__ 클래스는 모델에 프롬프트를 입력할 수 있는 간편한 인터페이스를 제공합니다.
 이 모델은 포인트와 박스 프롬프트는 물론, 이전 예측에서 생성된 마스크도 입력으로 받을 수 있습니다.
@@ -300,7 +299,7 @@ SAM2는 객체 추적에서 강력한 제로샷 성능을 제공하므로, 장
 해결 방법
 ~~~~~~~~
 
-도우미 클래스를 작성하여 ``torch.nn.Module``을 상속하고, 클래스의 ``forward`` 메서드 안에서 ``_predict method``를 호출합니다. 전체 코드는 `here <https://github.com/anijain2305/sam2/blob/ued/sam2/sam2_image_predictor.py#L293-L311>`__ 에서 확인할 수 있습니다.
+도우미 클래스를 작성하여 ``torch.nn.Module`` 을 상속하고, 클래스의 ``forward`` 메서드 안에서 ``_predict method`` 를 호출합니다. 전체 코드는 `here <https://github.com/anijain2305/sam2/blob/ued/sam2/sam2_image_predictor.py#L293-L311>`__ 에서 확인할 수 있습니다.
 
 .. code:: python
 
@@ -322,6 +321,6 @@ SAM2는 객체 추적에서 강력한 제로샷 성능을 제공하므로, 장
 결론
 ----------
 
-이 튜토리얼에서는 ``torch.export``를 활용하여 다양한 대표적인 사용 사례의 모델을 내보내는 방법을 학습하였고, 올바른 설정과 간단한 코드 수정으로 발생할 수 있는 여러 문제들을 해결하는 방법도 함께 다뤘습니다.
-모델을 성공적으로 내보낸 후에, 서버 환경에서는 `AOTInductor <https://pytorch.org/docs/stable/torch.compiler_aot_inductor.html>`__ 를, 엣지 디바이스 환경에서는 `ExecuTorch <https://pytorch.org/executorch/stable/index.html>`__ 를 사용하여 ``ExportedProgram``을 하드웨어에 맞게 변환할 수 있습니다.
-``AOTInductor`` (AOTI)에 대한 자세한 내용은 `AOTI tutorial <https://tutorials.pytorch.kr/recipes/torch_export_aoti_python.html>`__ 을, ``ExecuTorch``에 대한 자세한 내용은 `ExecuTorch tutorial <https://pytorch.org/executorch/stable/tutorials/export-to-executorch-tutorial.html>`__ 을 참고하세요.
\ No newline at end of file
+이 튜토리얼에서는 ``torch.export`` 를 활용하여 다양한 대표적인 사용 사례의 모델을 내보내는 방법을 학습하였고, 올바른 설정과 간단한 코드 수정으로 발생할 수 있는 여러 문제들을 해결하는 방법도 함께 다뤘습니다.
+모델을 성공적으로 내보낸 후에, 서버 환경에서는 `AOTInductor <https://pytorch.org/docs/stable/torch.compiler_aot_inductor.html>`__ 를, 엣지 디바이스 환경에서는 `ExecuTorch <https://pytorch.org/executorch/stable/index.html>`__ 를 사용하여 ``ExportedProgram`` 을 하드웨어에 맞게 변환할 수 있습니다.
+``AOTInductor`` (AOTI)에 대한 자세한 내용은 `AOTI tutorial <https://tutorials.pytorch.kr/recipes/torch_export_aoti_python.html>`__ 을, ``ExecuTorch`` 에 대한 자세한 내용은 `ExecuTorch tutorial <https://pytorch.org/executorch/stable/tutorials/export-to-executorch-tutorial.html>`__ 을 참고하세요.
\ No newline at end of file