层2/U1: 新增 DistillConfig（式(2) 白盒蒸馏参数）+ docs/03 表述打磨
configs.py（对应 docs/03 §5 U1）: - DistillConfig 自包含、不继承 SFTConfig；teacher_model 进 config、student 留脚本 - 三处刻意缺席: 无 teacher_completions_path/max_length/top_k（现场生成+全词表） - 两温度分名: kl_temperature（散度 softmax）vs gen_temperature（on-policy 采样） - 默认即式(2): beta=1 反向KL、温度1、纯采样 top_p=1；lr=1e-6（论文§5.1蒸馏） - __post_init__ 8 分支构造即校验（gen_temperature>0 护 on-policy 语义） docs/03: - §2.3 β 三副面孔表: 记号统一 π、补 mode-seeking 对称、附全词表/稀疏双镜像说明 - §2.3 三条实现约定（温度/log域/batchmean）由一句话拆成可扫读表格 - §3 偏差清单上方补统领抉择原则 Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
This commit is contained in:
+145
-1
@@ -1,10 +1,12 @@
|
||||
"""实验配置（当前只含层 1 的 SFTConfig，后续层在此文件追加各自的 dataclass）。
|
||||
"""实验配置（层 1：SFTConfig / TeacherGenConfig；层 2：DistillConfig）。
|
||||
|
||||
设计约定（对应 CLAUDE.md §2"配置显式化"）：
|
||||
- 所有实验参数必须是这里某个 dataclass 的字段；代码里出现魔法数字/路径即违规。
|
||||
- 密钥（API key 等）不进配置类，走 `.env`（见 teacher.py）。
|
||||
- 机器相关路径（数据集、输出目录）不给默认值，强制调用方显式传入——
|
||||
防止参考实现里 `/fsx` 硬编码那类"在别人机器上必炸"的坑。
|
||||
- 各层的 config 自包含、不互相继承：层与层是不同实验，共享基类会把它们耦合，
|
||||
违背"从上读到下看懂全部流程"（CLAUDE.md §2）。字段重复是有意接受的成本。
|
||||
"""
|
||||
|
||||
from __future__ import annotations
|
||||
@@ -153,3 +155,145 @@ class TeacherGenConfig:
|
||||
raise ValueError(f"concurrency 必须 ≥1，收到 {self.concurrency}")
|
||||
if self.temperature < 0:
|
||||
raise ValueError(f"temperature 必须 ≥0，收到 {self.temperature}")
|
||||
|
||||
|
||||
@dataclass(frozen=True)
|
||||
class DistillConfig:
|
||||
"""层 2 white-box OPD 基线（token 级反向 KL 蒸馏）的全部实验参数。
|
||||
|
||||
论文锚点：§3.1 式(2) 的 on-policy 白盒蒸馏 L = E_{y~π_θ}[Σ_t KL(π_θ ‖ π_T)]。
|
||||
与层 1 SFTConfig 的三处结构性差异（docs/03 §3 偏差清单）：
|
||||
- 无 teacher_completions_path：teacher 现场前向给出全词表 logits、student 现场
|
||||
on-policy 生成轨迹，两者都不落盘缓存，故层 2 不需要 teacher 解答文件。
|
||||
- 无 max_length（总预算）：completion 不再来自数据，而是 model.generate 生成，
|
||||
序列总长 = prompt(≤max_prompt_length) + 生成(≤max_new_tokens)，由两个预算
|
||||
各自界定，不需要一个总的右截断预算。
|
||||
- 无 top_k：§4 删除清单——本地同 tokenizer teacher 放得下全词表，恒走精确
|
||||
全词表 KL，不做参考实现默认的 top-1 稀疏近似（那是 API 传输妥协，非论文成分）。
|
||||
|
||||
teacher_model 在此、student 在脚本（U5 的常量，同层 1 的 STUDENT_MODEL）：
|
||||
student 是被训练的固定基线，teacher 是"换一个就是换一个实验"的旋钮，故归 config。
|
||||
"""
|
||||
|
||||
# ---- 机器相关路径（无默认值，必须显式传入）----
|
||||
dataset_path: str
|
||||
"""DAPO-Math-17K 的本地 parquet 路径（文件或目录），或 HF Hub 数据集名。
|
||||
层 2 只用题面（prompt-only），不读数据自带的任何 completion。"""
|
||||
|
||||
output_dir: str
|
||||
"""checkpoint 与日志输出目录（远程必须落在 /data/zym 下）。"""
|
||||
|
||||
# ---- teacher（层 2 的核心旋钮）----
|
||||
teacher_model: str = "Qwen/Qwen3-4B"
|
||||
"""本地 HF teacher 模型名。非机器路径（HF Hub 名各机可复现），故给默认值。
|
||||
非显然约束：必须与 student **同 tokenizer**——KL 是逐词表位对齐求和，词表不
|
||||
一致则第 v 个分量对不上、相除无意义（docs/03 §1）。此约束在 U4 构造 Trainer 时
|
||||
比对 get_vocab() 显式校验，不匹配即报错，不静默。"""
|
||||
|
||||
# ---- 数据（复用层 1 的抽取逻辑，同 seed 同子集）----
|
||||
dataset_split: str = "train"
|
||||
|
||||
subset_size: int | None = 1000
|
||||
"""随机抽取的子集大小；None = 全量。非显然约束：与层 1 同 seed 同 size 才能
|
||||
在同一批题上对比 SFT 与蒸馏，否则两层看的是不同题、曲线不可比。"""
|
||||
|
||||
# ---- 序列预算（prompt 截断 + 生成上限，见类 docstring 为何无 max_length）----
|
||||
max_prompt_length: int = 1024
|
||||
"""prompt 单独预算（prompt-only collator 按此左截断）。"""
|
||||
|
||||
max_new_tokens: int = 1024
|
||||
"""student on-policy 生成的 token 上限。与 max_prompt_length 之和即序列总长 T，
|
||||
显存账（§5）按 T=2048 估算。"""
|
||||
|
||||
enable_thinking: bool = False
|
||||
"""Qwen3 chat 模板思考开关，喂给 student 生成。非显然约束：与层 1 取同值，
|
||||
否则 prompt 渲染文本变、生成分布与 SFT 基线不可比（docs/02 §2.3 边界契约）。"""
|
||||
|
||||
# ---- 蒸馏损失（式(2) 与 docs/03 §2.3 三副面孔）----
|
||||
beta: float = 1.0
|
||||
"""KL 方向系数。0=前向 KL(π_T‖π_θ, mode-covering)，1=反向 KL(π_θ‖π_T,
|
||||
mode-seeking)=**式(2)**，(0,1)=JSD 插值。默认 1 即论文式(2)；参数保留是因为
|
||||
前向/反向/JSD 是同一公式（U2 顺手覆盖），且层 5 的 KL 锚要用前向。"""
|
||||
|
||||
kl_temperature: float = 1.0
|
||||
"""散度内 softmax 前除进两侧 logits 的温度（docs/03 §2.3）。升温放大尾部
|
||||
"暗知识"排序。非显然约束：它与下面的 gen_temperature 是**两个不同**的温度
|
||||
——这个调的是 loss 里分布的软硬，那个调的是采样的随机性；恰好都默认 1.0，
|
||||
但改一个不影响另一个。默认 1.0 即式(2)（不做温度缩放）。"""
|
||||
|
||||
# ---- on-policy 生成采样（式(2) 的 y~π_θ 期望）----
|
||||
gen_temperature: float = 1.0
|
||||
gen_top_p: float = 1.0
|
||||
"""student 生成轨迹的采样参数。默认 temperature=1.0/top_p=1.0 = 纯采样自 π_θ，
|
||||
最忠实于式(2) 的 on-policy 期望（docs/03 §3 抉择原则：本质忠于论文）。
|
||||
调低是拿保真度换"少生成垃圾"，卡了再动。"""
|
||||
|
||||
# ---- 优化 ----
|
||||
# 差异标注：层 1 SFT 用 2e-5（信号密集的真 token 监督）；层 2 是蒸馏，从论文
|
||||
# §5.1 的蒸馏 lr=1e-6。小 lr 在这里还有额外好处：式(2) 的反向 KL 会梯度爆炸
|
||||
# （§4.1，on-policy 采到 teacher 眼中的烂 token 时 log(π_θ/π_T)→∞），小步长
|
||||
# 帮训练在毛刺中存活——这毛刺本身是层 2 要观察的教学目标（docs/03 §6.3）。
|
||||
learning_rate: float = 1e-6
|
||||
|
||||
per_device_train_batch_size: int = 4
|
||||
"""非显然约束：白盒蒸馏的显存大头是 **两份**全词表 logits（student+teacher，
|
||||
(B,T,V) bf16 各 ~2.5G@B=4/T=2048）+ log_softmax 中间量，比层 1 更紧。B=4 是
|
||||
§5 估算值（student 训练全套 ~10G + teacher 推理副本 ~9G + 两份 logits ~15G，
|
||||
A800-80G 起步安全），但**必须**在首次远程冒烟用 nvidia-smi 实测确认，OOM 阶梯：
|
||||
先降 B 到 2、仍不够再开 gradient_checkpointing。"""
|
||||
|
||||
gradient_accumulation_steps: int = 4
|
||||
"""全局 batch = 4(per_device) × 4(卡) × 4(累积) = 64，与层 1 保持一致。"""
|
||||
|
||||
num_train_epochs: int = 1
|
||||
|
||||
max_steps: int = -1
|
||||
""">0 时覆盖 num_train_epochs——远程 50 步冒烟用（docs/03 §6.3）；-1 = 按 epoch。"""
|
||||
|
||||
lr_scheduler_type: str = "linear"
|
||||
warmup_ratio: float = 0.0
|
||||
|
||||
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。"""
|
||||
|
||||
bf16: bool = True
|
||||
seed: int = 42
|
||||
|
||||
# ---- 日志与保存 ----
|
||||
logging_steps: int = 1
|
||||
save_steps: int = 100
|
||||
save_total_limit: int = 2
|
||||
report_to: str = "none"
|
||||
""""none" 或 "wandb"。默认 none：本地调试不该悄悄往外发数据，远程脚本显式开。"""
|
||||
|
||||
def __post_init__(self) -> None:
|
||||
"""构造即校验：配置错误必须在加载 4B teacher（GB 级下载）之前炸。"""
|
||||
if not 0.0 <= self.beta <= 1.0:
|
||||
raise ValueError(
|
||||
f"beta 必须在 [0,1]（0=前向/1=反向/中间=JSD），收到 {self.beta}"
|
||||
)
|
||||
if self.kl_temperature <= 0:
|
||||
# 温度除进 logits，≤0 会翻转或炸掉分布
|
||||
raise ValueError(f"kl_temperature 必须为正，收到 {self.kl_temperature}")
|
||||
if self.gen_temperature <= 0:
|
||||
# 非显然约束：0 在 HF 里是 greedy，会退化 on-policy 采样为确定性解码，
|
||||
# 破坏式(2) 的 y~π_θ 期望；要纯 on-policy 就必须 >0
|
||||
raise ValueError(
|
||||
f"gen_temperature 必须为正（0=greedy 破坏 on-policy），"
|
||||
f"收到 {self.gen_temperature}"
|
||||
)
|
||||
if not 0.0 < self.gen_top_p <= 1.0:
|
||||
raise ValueError(f"gen_top_p 必须在 (0,1]，收到 {self.gen_top_p}")
|
||||
if self.max_new_tokens <= 0:
|
||||
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.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}"
|
||||
)
|
||||
if self.max_steps == 0 or self.max_steps < -1:
|
||||
raise ValueError(
|
||||
f"max_steps 只接受 -1（按 epoch）或正整数，收到 {self.max_steps}"
|
||||
)
|
||||
|
||||
Reference in New Issue
Block a user