层1: 损失缩放终解——显式退出 HF 新式梯度累积契约（model_accepts_loss_kwargs=False）

第二幕根因：新式契约的 ×world_size 补偿在基类 compute_loss 尾部（v5
trainer.py:2028），整体重写会绕过它 → loss 与梯度 ÷4（sanity 0.244≈0.85/4）。
按 HF 文档建议（trainer.py:1977）退出新式契约回经典行为；docs/02 勘误改为
两幕全记录。

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

docs/02-sft-baseline.md

@@ -83,5 +83,5 @@ F.cross_entropy(..., ignore_index=-100)
 ## 5. 验证方式
 
 1. **本地（CPU）**：collator 单测对拍参考行为——构造超长解答样本断言 prompt 未被截空；断言 -100 位置分布；断言 enable_thinking 两种取值下边界正确。数据加载单测：断言 `except:pass` 已变显式报错。
-2. **远程**：先 sanity（官方 SFTTrainer 或我们管线跑 50 步）确认 loss 稳定下降；再全量 1 epoch。W&B 或实时日志盯 `sft/loss` 与有效 token 数。⚠️ 两条实测勘误（2026-07-18）：① 起点不是想象的 ~2-3——预训练 Qwen3-0.6B 对 M3 风格数学文本的真实 CE ≈ **0.85**（探针 scripts/diag_loss_probe.py 实测），健康曲线 ≈ 0.9→0.4；② **HF 梯度累积契约坑**：模型 forward 接受 loss_kwargs 时（Qwen3 是），自定义 compute_loss 必须返回 `sum/num_items_in_batch` 而非裸 mean，否则日志与梯度都放大"累积步数"倍（首跑 loss 7.5 ≈ 0.94×8 即此坑；修复在 trainer.py compute_loss）。
+2. **远程**：先 sanity（官方 SFTTrainer 或我们管线跑 50 步）确认 loss 稳定下降；再全量 1 epoch。W&B 或实时日志盯 `sft/loss` 与有效 token 数。⚠️ 两条实测勘误（2026-07-18）：① 起点不是想象的 ~2-3——预训练 Qwen3-0.6B 对 M3 风格数学文本的真实 CE ≈ **0.85**（探针 scripts/diag_loss_probe.py 实测），健康曲线 ≈ 0.9→0.4；② **HF 梯度累积契约坑（两幕剧）**：模型 forward 接受 loss_kwargs 时（Qwen3 是），Trainer 默认按"新式契约"对待自定义 compute_loss——第一幕：返回裸 mean 会被 ×累积步数（首跑 loss 7.5 ≈ 0.94×8）；第二幕：改成 sum/num_items 后又 ÷world_size（0.244 ≈ 0.85÷4），因为新式契约的 ×num_processes 补偿在**基类** compute_loss 尾部（v5 trainer.py:2028），整体重写 compute_loss 会绕过它。终解 = 按 HF 文档（trainer.py:1977）显式 `self.model_accepts_loss_kwargs = False` 退出新式契约，回到"返回 mean、Trainer ÷累积步数"的经典行为（代价：微批等权而非 token 加权，偏差百分之几，与参考实现同行为）。教训：**整体重写框架方法时，必须检查基类同名方法里除了你替换的逻辑还捎带了什么**。
 3. 关账判据：1k 子集 1 epoch 跑完，loss 曲线正常，checkpoint 能被 `from_pretrained` 加载并生成通顺文本。