层2: max_grad_norm 提进 DistillConfig（显式化静默稳定器）+ noclip 对照模式

首冒烟发现：sanity 的 loss 平滑、无预期毛刺，因 HF 默认 max_grad_norm=1.0 把
反向 KL 的梯度爆炸（§4.1，实测 grad_norm 14→2 是裁剪前范数）默默压平了——正是
本项目要堵的"静默行为"。

- configs.py: DistillConfig 加 max_grad_norm=1.0（默认=原 HF 行为），docstring 讲清
  它是 §4.1 爆炸的隐形稳定器、日志 grad_norm 是裁剪前值；__post_init__ 校验 >0
- train_whitebox.py: FULL 显式写出、TrainingArguments 传入；build_config 加 noclip
  模式（max_grad_norm=1e9≈关裁剪 + lr 5× + 15 步）暴露原始爆炸供教学对照
- .sh: 用法加 noclip 模式说明

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

ars_opd/configs.py

@@ -253,6 +253,14 @@ class DistillConfig:
     lr_scheduler_type: str = "linear"
     warmup_ratio: float = 0.0
 
+    max_grad_norm: float = 1.0
+    """梯度裁剪阈值。此前是 HF Trainer 的静默默认（1.0），现显式化——它是式(2)
+    反向 KL 梯度爆炸（§4.1）的**隐形稳定器**：on-policy 采到 teacher 眼中烂 token
+    时单步梯度范数可炸到十几（2026-07-19 首冒烟实测 grad_norm 14→2），HF 默认
+    裁到 1.0 才让 loss 曲线平稳。把它设得远大于实测范数（≈关闭裁剪）可暴露原始
+    爆炸，供教学对照（train_whitebox.py 的 noclip 模式）。非显然约束：日志里的
+    grad_norm 是**裁剪前**范数，故 14→2 那串本身就是爆炸证据，只是被裁剪掩盖了。"""
+
     gradient_checkpointing: bool = False
     """默认不开（§5 显存账 B=4 富余）；OOM 时作为降 batch 之后的第二道降显存手段。
     注意 FSDP 下此开关是 no-op（docs/02 §2.6），但层 2 坚持 DDP 故此处有效。"""
@@ -289,6 +297,9 @@ class DistillConfig:
             raise ValueError(f"max_new_tokens 必须为正，收到 {self.max_new_tokens}")
         if self.learning_rate <= 0:
             raise ValueError(f"learning_rate 必须为正，收到 {self.learning_rate}")
+        if self.max_grad_norm <= 0:
+            # 用远大于实测范数的值≈关闭裁剪；≤0 无意义（0 会把梯度裁没）
+            raise ValueError(f"max_grad_norm 必须为正，收到 {self.max_grad_norm}")
         if self.subset_size is not None and self.subset_size <= 0:
             raise ValueError(
                 f"subset_size 必须为正整数或 None（全量），收到 {self.subset_size}"