层1: 修复 HF 梯度累积契约坑——compute_loss 按新式契约返回 sum/num_items_in_batch

根因（探针定案）：预训练模型真实 CE≈0.85，训练日志 7.5≈0.94×8（累积步数）。
Qwen3 forward 接受 loss_kwargs → Trainer 走新式契约不再除以累积步数，我们
返回裸 mean 导致日志与梯度同放大 8 倍。sft_loss 纯函数不动，适配收口在
compute_loss；docs/02 §5 勘误起点预期（~0.85）并记录此坑。

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

ars_opd/trainer.py

@@ -133,6 +133,14 @@ 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
         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 从 ~2-3 稳定下降；再全量 1 epoch。W&B 或实时日志盯 `sft/loss` 与有效 token 数。
+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）。
 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。