层1: 损失探针脚本——预训练模型走管线逐行算 CE，区分数据问题与训练环节问题

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
2026-07-18 10:14:31 -04:00
parent ff572bf4b9
commit 1976230250
1 changed files with 62 additions and 0 deletions
@@ -0,0 +1,62 @@
+"""损失探针：用未训练的预训练模型走完整管线，逐行算 loss（层 1 疑点排查第二步）。
+
+判读（训练日志初始 loss ≈ 7.5）：
+- 探针也 ≈ 7：管线一致，loss 高是数据/模型现实 → 去查数据（垃圾长文、乱码占比）；
+- 探针 ≈ 2-4：管线（本脚本与训练共用）没问题但训练环节另有妖 → 查训练循环差异。
+同时打印 HF 模型内建 CE（同一数学的独立实现）交叉验证 sft_loss。
+
+远程运行（CPU 即可，约 1-2 分钟）：
+    python -u scripts/diag_loss_probe.py
+"""
+
+import torch
+from transformers import AutoModelForCausalLM, AutoTokenizer
+
+from ars_opd.configs import SFTConfig
+from ars_opd.data import SFTCollator, load_sft_dataset
+from ars_opd.trainer import sft_loss
+
+MODEL = "Qwen/Qwen3-0.6B"
+
+cfg = SFTConfig(
+    dataset_path="data/dapo-math-17k-unique.parquet",
+    output_dir="/tmp/diag",
+    subset_size=8,
+    seed=42,
+    teacher_completions_path="data/teacher_completions_dapo1k_minimax-m3.jsonl",
+)
+ds = load_sft_dataset(cfg)
+tok = AutoTokenizer.from_pretrained(MODEL)
+collator = SFTCollator(
+    tok,
+    max_length=cfg.max_length,
+    max_prompt_length=cfg.max_prompt_length,
+    enable_thinking=False,
+)
+model = AutoModelForCausalLM.from_pretrained(MODEL, dtype=torch.float32)
+model.eval()
+
+print(f"{'行':>3} {'sft_loss':>9} {'HF内建CE':>9} {'监督tok':>7}  解答开头")
+total, total_n = 0.0, 0
+for i in range(len(ds)):
+    batch = collator([ds[i]])
+    with torch.no_grad():
+        out = model(
+            input_ids=batch["input_ids"], attention_mask=batch["attention_mask"]
+        )
+        ours, n = sft_loss(
+            out.logits, batch["input_ids"], batch["labels"], batch["attention_mask"]
+        )
+        # 交叉验证：HF 内建损失（labels 传入模型，内部自动移位）与 sft_loss
+        # 是同一数学的两个独立实现，单行 batch 下应当几乎相等
+        hf = model(
+            input_ids=batch["input_ids"],
+            attention_mask=batch["attention_mask"],
+            labels=batch["labels"],
+        ).loss
+    head = ds[i]["messages"][-1]["content"][:40].replace("\n", " ")
+    print(f"{i:>3} {ours.item():>9.3f} {hf.item():>9.3f} {n:>7}  {head}", flush=True)
+    total += ours.item() * n
+    total_n += n
+
+print(f"\n按 token 加权平均: {total / total_n:.3f}（对照训练日志初始 loss ≈ 7.5）", flush=True)