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>

ars_opd/configs.py

@@ -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}"
+            )

docs/03-whitebox-opd.md

@@ -40,13 +40,23 @@ on/off-policy 抽签**不在这里**——在 `_prepare_inputs`→`_fill_buffer`
 
 ### 2.3 generalized_jsd_loss（DT:2408-2491）——β 的三副面孔
 
+记号：$\pi_\theta$ = student，$\pi_T$ = teacher；KL 里"在前"的那个分布是被求期望的一方。
+
 | β | 数学 | 语义 | 代码 |
 |---|------|------|------|
-| 0 | $KL(\pi_T\|\pi_\theta)$ | 前向，mode-covering | DT:150-151 |
+| 0 | $KL(\pi_T\|\pi_\theta)$ | 前向，**mode-covering**：teacher 在前，student 被迫摊平质量去覆盖 teacher 的全分布 | DT:150-151 |
-| 1 | $KL(\pi_\theta\|\pi_T)$ | **反向，式(2) 用这个** | DT:152-153 |
+| 1 | $KL(\pi_\theta\|\pi_T)$ | 反向，**mode-seeking**，**式(2) 用这个**：student 在前，集中质量学 teacher 主模式 | DT:152-153 |
-| (0,1) | $\beta KL(p_T\|m)+(1{-}\beta)KL(p_\theta\|m)$，$m=(1{-}\beta)p_\theta{+}\beta p_T$ | JSD 插值 | DT:154-162 |
+| (0,1) | $\beta KL(\pi_T\|m)+(1{-}\beta)KL(\pi_\theta\|m)$，$m=(1{-}\beta)\pi_\theta{+}\beta\pi_T$ | JSD 插值（β 同时是混合权重与两项权重） | DT:154-162 |
 
-细节：温度在 softmax 前除进两侧 logits（DT:2439-2440）；全程 log 域运算（logsumexp 混合、`clamp_min(tiny)` 防 log0，DT:143,156-159）；reduction=`batchmean` 实为 **sum / 有效 token 数**（labels≠-100 先滤，DT:2386-2399）——名字叫 batchmean，实义是 per-token mean，重构时按实义命名。
+> 行号说明：上表指向 **全词表** 路径（`F.kl_div`，我们 U2 走这条）。参考实现**默认**走 top-1 稀疏（§2.4），对应 DT:133-148 的 masked 镜像分支——同样三支 β、同样数学，只是在截断支持集上手算而非调 `F.kl_div`。
+
+另有三条与 β 语义无关、但读代码时容易卡住的实现约定。它们各自独立，只是恰好都在这个函数里；前两条是正确性/稳定性刚需（我们保留），第三条是历史包袱（我们纠名）：
+
+| 实现约定 | 位置 | 是什么 / 为什么 load-bearing | 我们 U2 |
+|----------|------|------------------------------|---------|
+| 温度除进 logits | DT:2439-2440 | `logits / τ` 必须在 softmax **之前**做——这是在调分布形状（升温 τ>1 放大尾部的"暗知识"排序），不是等比缩概率。`softmax(z/τ) ≠ softmax(z)/τ`，位置错了就不再是合法分布 | 保留（默认 τ=1，此步为恒等） |
+| 全程 log 域运算 | DT:143,156-159 | 15 万词表下单个概率小到 1e-8，而 KL 全是乘除，直接算会下溢成 0 → NaN。对策：全程存 log-prob（乘变加、除变减）。两个衍生 trick：混合分布 $m$ 的**加法**在 log 域要用 `logsumexp`（log 里的加法天然是乘法）；masked 位概率为 0，取 log 前先 `clamp_min(tiny)` 防 `log(0)=-inf` | 保留（仅全词表这一路径） |
+| `batchmean` 名不副实 | DT:2386-2399 | 先滤 `labels≠-100` 留下 completion 位，再 `jsd.sum() / 有效 token 数`——实义是 **per-token mean**，不是 PyTorch `batchmean` 那个"÷ 序列条数"。这样量纲与 SFT 的 per-token 交叉熵一致，两条 loss 曲线才可比 | 纠名为 `per_token_mean`，名字即文档 |
 
 ### 2.4 默认配置不是全词表 KL！（本章最大陷阱）
 
@@ -75,6 +85,8 @@ server 路径更粗：teacher 只回传 top-k logprobs 三张表（DT:2676-2679
 
 ## 3. 与式(2) 的偏差清单（默认配置下）
 
+抉择原则（下表每一行都由它推出，而非逐条拍板）：**式(2) 的算法本质忠于论文（on-policy + 反向 KL + 全词表分布对齐）；参考实现的默认近似是为它的处境——API 传输 + 大 teacher——妥协出来的，换了我们的处境（本地同 tokenizer 的 4B teacher + 4×A800）就不继承；不改优化方向的表面差异，选对诊断/教学最有利的；一般性凡免费且未来有用则保留、凡昂贵且当前数据上空转则删除。** 一个反直觉推论：正因处境不同，我们回归论文本质反而比参考默认更贴式(2)（支持集那行）。逐行推导见下，"我们层 2"列即结论。
+
 | 项 | 参考实现默认 | 严格式(2) | 我们层 2 |
 |----|--------------|-----------|----------|
 | 支持集 | top-1 稀疏 + 尾桶 | 全词表 | **全词表**（`top_k=0` 等价；同 tokenizer 本地 teacher 使我们能比参考默认更贴论文） |