diff --git a/scripts/show_klue_ner_samples.py b/scripts/show_klue_ner_samples.py
index a408651..0349ad7 100644
--- a/scripts/show_klue_ner_samples.py
+++ b/scripts/show_klue_ner_samples.py
@@ -52,6 +52,69 @@ def to_inline(tokens: list[str], tags: list[str]) -> str:
     return "".join(out)
 
 
+def _wrap(prefix: str, tags: list[str], width: int = 88) -> list[str]:
+    """성적서 지면 폭에 맞춰 배열을 줄바꿈한다."""
+    items = ['"%s"' % t for t in tags]
+    out, line = [], prefix + "["
+    for n, item in enumerate(items):
+        piece = item + (", " if n < len(items) - 1 else "]")
+        if len(line) + len(piece) > width and line.strip() not in ("[", prefix + "["):
+            out.append(line)
+            line = ""
+        line += piece
+    out.append(line)
+    return out
+
+
+def predict_block(ds, names: list[str], index: int, model_dir: str) -> list[str]:
+    """한 문장의 정답 태그와 예측 태그를 전체 배열로 낸다.
+
+    토크나이저가 공백 토큰에는 서브워드를 만들지 않아 word_ids 에서 빠진다.
+    그대로 이어 붙이면 정답과 길이가 어긋나므로, 음절 수만큼 자리를 잡아 두고
+    word_id 위치에만 예측을 채운다(공백은 엔티티가 될 수 없어 O 로 남는다).
+    """
+    import torch
+    from transformers import AutoModelForTokenClassification, AutoTokenizer
+
+    tokenizer = AutoTokenizer.from_pretrained(model_dir)
+    model = AutoModelForTokenClassification.from_pretrained(model_dir).eval()
+    if torch.cuda.is_available():
+        model = model.cuda()
+
+    row = ds[index]
+    tokens = row["tokens"]
+    encoded = tokenizer(tokens, is_split_into_words=True, truncation=True,
+                        max_length=256, return_tensors="pt")
+    if torch.cuda.is_available():
+        encoded = {k: v.cuda() for k, v in encoded.items()}
+        word_ids = tokenizer(tokens, is_split_into_words=True, truncation=True,
+                             max_length=256).word_ids()
+    else:
+        word_ids = encoded.word_ids(0)
+        encoded = dict(encoded)
+    with torch.no_grad():
+        predicted_ids = model(**encoded).logits.argmax(-1)[0].tolist()
+
+    predicted = ["O"] * len(tokens)
+    previous = None
+    for position, word_id in enumerate(word_ids):
+        if word_id is None or word_id == previous:
+            previous = word_id
+            continue
+        previous = word_id
+        predicted[word_id] = model.config.id2label[predicted_ids[position]]
+
+    original = [names[t] for t in row["ner_tags"]]
+    matched = sum(1 for a, b in zip(original, predicted) if a == b)
+
+    lines = _wrap('"original_tags": ', original)
+    lines.append("")
+    lines.extend(_wrap('"predicted_tags": ', predicted))
+    lines.append("")
+    lines.append("음절 일치 %d / %d" % (matched, len(original)))
+    return lines
+
+
 def main() -> int:
     parser = argparse.ArgumentParser(description=__doc__)
     parser.add_argument("--split", default="train", choices=("train", "validation"))
@@ -59,6 +122,12 @@ def main() -> int:
     parser.add_argument("--tail", type=int, default=3, help="뒤에서 N건")
     parser.add_argument("--all", action="store_true", help="전건 출력")
     parser.add_argument("--out", help="파일로 저장 (미지정 시 표준출력)")
+    parser.add_argument("--id-offset", type=int, default=None,
+                        help="id 시작값. 미지정 시 validation 은 학습셋 크기만큼 "
+                             "이어서 매긴다(성적서 표기 방식).")
+    parser.add_argument("--predict", metavar="MODEL_DIR",
+                        help="마지막 예시 문장의 original_tags / predicted_tags 를 "
+                             "전체 배열로 출력 (성적서 '예측 결과 예시')")
     args = parser.parse_args()
 
     from datasets import load_dataset
@@ -67,6 +136,14 @@ def main() -> int:
     names = ds.features["ner_tags"].feature.names
     total = len(ds)
 
+    # 성적서는 평가 데이터 id 를 학습 데이터 뒤에 이어서 매긴다(전 차수 8~9p).
+    if args.id_offset is not None:
+        offset = args.id_offset
+    elif args.split == "validation":
+        offset = len(load_dataset("klue", "ner", split="train"))
+    else:
+        offset = 0
+
     if args.all:
         indices = list(range(total))
     else:
@@ -86,10 +163,15 @@ def main() -> int:
             lines.append("")
         row = ds[i]
         sentence = to_inline(row["tokens"], [names[t] for t in row["ner_tags"]])
-        lines.append('"id": %d,' % i)
+        lines.append('"id": %d,' % (i + offset))
         lines.append('"sentence": "%s",' % sentence)
         previous = i
 
+    if args.predict:
+        lines.append("")
+        lines.append("예측 결과 예시")
+        lines.extend(predict_block(ds, names, indices[-1], args.predict))
+
     text = "\n".join(lines)
     if args.out:
         with open(args.out, "w", encoding="utf-8") as f: