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>

ars_opd/trainer.py

@@ -111,6 +111,15 @@ class SFTTrainer(Trainer):
         for module in self.model.modules():
             if isinstance(module, torch.nn.Dropout):
                 module.p = 0.0
+        # 非显然约束：显式退出 HF 的新式梯度累积契约（v5 trainer.py:1977 文档
+        # 原话："If you are not using num_items_in_batch ... overwrite
+        # self.model_accepts_loss_kwargs to False"）。新式契约要求返回
+        # sum/全局token数，且依赖基类 compute_loss 尾部的 ×world_size 补偿
+        # （trainer.py:2028）——我们整体重写了 compute_loss，那段补偿不会执行，
+        # 曾致 loss 与梯度 ÷4（2026-07-18，第二幕；第一幕是返回裸 mean 被 ×8，
+        # 全程记录见 docs/02 §5）。退出后回到经典契约：返回本微批 mean，
+        # Trainer 负责 ÷累积步数，日志跨卡平均，版本稳定
+        self.model_accepts_loss_kwargs = False
         self._token_counts: list[int] = []
 
     def compute_loss(
@@ -133,14 +142,9 @@ class SFTTrainer(Trainer):
             inputs["labels"],
             inputs["attention_mask"],
         )
-        # 非显然约束：HF 梯度累积契约（transformers 4.46 修正后的新式）。模型
-        # forward 接受 loss_kwargs（Qwen3 是）时，Trainer 不再帮你除以累积步数，
-        # 而是期望 compute_loss 返回 sum/num_items_in_batch（整个累积组的总有效
-        # token 数），各微批直接相加得到精确的全局 per-token 均值。返回裸 mean
-        # 会导致日志与梯度同时放大"累积步数"倍——2026-07-18 远程 sanity 的
-        # loss 7.5 ≈ 0.94×8 正是此坑（诊断记录见 docs/02 §5）
-        if num_items_in_batch is not None:
-            loss = loss * num_tokens / num_items_in_batch  # mean → sum/N_total
+        # num_items_in_batch 有意忽略：已在 __init__ 退出新式契约（见彼处注释），
+        # 本函数返回微批 mean，÷累积步数由 Trainer.training_step 负责。
+        # 代价是微批按相同权重而非 token 数加权（百分之几的偏差，与参考实现同行为）
         self._token_counts.append(num_tokens)
         return (loss, outputs) if return_outputs else loss
 

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。