"""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 from dataclasses import dataclass @dataclass(frozen=True) class SFTConfig: """层 1 SFT 基线的全部实验参数。论文锚点：§3.1 式(1) 的标准交叉熵 SFT；但按 §5.1 的基线定义，训练数据是 teacher rollout（离线蒸馏），不是人写答案——所以有 `teacher_completions_path` 字段：DAPO 是 prompt-only 数据集，解答一律来自 teacher 生成的缓存文件。 frozen=True：配置一旦构造即只读。训练中途被悄悄改掉的配置是最难排查的 bug 来源之一；要换参数就构造一个新实例，留下明确的代码痕迹。 """ # ---- 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。""" output_dir: str """checkpoint 与日志输出目录（远程必须落在 /data/zym 下）。""" # ---- 数据 ---- teacher_completions_path: str | None = None """teacher 解答缓存（teacher.py 生成的 JSONL）。None 表示数据集自带 assistant 轮次；若数据实际是 prompt-only 又没给此路径，data.py 会显式报错，不做静默兜底。""" dataset_split: str = "train" subset_size: int | None = 1000 """随机抽取的子集大小（控制 teacher API 成本，roadmap 定为 ~1k）；None = 全量。""" # ---- 序列双预算 ---- # 非显然约束：prompt 与 completion 必须各有独立预算。若只用一个 max_length # 从右截断，超长解答会把 prompt 挤空，模型在"没有题目"的样本上学习解答 # ——这是参考实现 collator(trainer:267-292) 的头号正确性卖点，此处继承。 max_length: int = 4096 """prompt + completion 的总 token 预算。""" max_prompt_length: int = 1024 """prompt 单独预算；completion 实际预算 = max_length - len(截断后 prompt)。""" enable_thinking: bool = False """Qwen3 chat 模板的思考开关。False 时模板注入空 `\\n\\n`。非显然约束：此开关改变渲染后的 prompt 文本，从而改变 prompt/completion 的 token 边界——训练与推理必须取同一值，否则掩码整体错位。""" # ---- 优化 ---- # 差异标注：论文 §5.1 的蒸馏训练用 lr=1e-6，参考实现 SFT 默认 2e-5 # (train_distillation.py:73)。SFT 有真实 token 监督、信号密集，从参考实现取 # 2e-5；层 5 的蒸馏配置再回到论文的 1e-6。 learning_rate: float = 2e-5 per_device_train_batch_size: int = 2 """非显然约束：别看 0.6B 小就调大它——显存大头是 (B,T,V) 的 logits 链（fp32 一份 ~20G@B=8）与逐层激活，都正比于 B 而与参数量无关；B=8 实测爆 80G 卡（2026-07-18 远程 sanity）。""" gradient_accumulation_steps: int = 8 """全局 batch = 2(per_device) × 4(卡) × 8(累积) = 64，与参考实现注释的训练规模(trainer 配置注释"global batch 64")对齐。""" num_train_epochs: int = 1 max_steps: int = -1 """>0 时覆盖 num_train_epochs，只跑这么多步——远程 50 步 sanity 用；-1 = 按 epoch。""" lr_scheduler_type: str = "linear" warmup_ratio: float = 0.0 gradient_checkpointing: bool = False """0.6B 学生显存富余，不开（省 ~40% 显存、慢 ~30%）。注意：FSDP 下此开关是 no-op，真正的开关是 FSDP_ACTIVATION_CHECKPOINTING 环境变量（见 scripts/ 训练脚本头部的前置块，docs/02 §2.6）。""" 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：配置错误必须在训练开始前炸，而不是跑到第一个超长样本才炸。""" if self.max_prompt_length >= self.max_length: raise ValueError( f"max_prompt_length({self.max_prompt_length}) 必须小于 " f"max_length({self.max_length})，否则 completion 预算为零，" f"所有样本的 labels 将全为 -100，loss 恒为 0 且无报错——静默空训练。" ) 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}" ) @dataclass(frozen=True) class TeacherGenConfig: """teacher 批量生成（层 1 能力）的采样与执行参数。连接信息（API 地址/密钥/模型名）不在这里——那是部署环境的事实，走 `.env` （teacher.py 读取）；这里只放"换一组值就是换一个实验"的采样参数。 """ temperature: float = 1.0 top_p: float = 0.95 """MiniMax M 系官方推荐采样参数：temperature=1.0, top_p=0.95。""" max_tokens: int = 16384 """teacher 单条回复的 token 上限。这是上限不是目标——按实际生成量计费，放大它不增加正常解答的成本，只给最难的题留出写完的空间（8192 时 59 条实测截断 2 条）。非显然约束：M3 的思考段也计入此额度，设太小会把解答挤没。""" strip_think: bool = True """剥离 content 开头的 ... 思考段。SFT 的监督目标是最终解答；student 以 enable_thinking=False 训练，学思考段会与模板约定矛盾。""" concurrency: int = 16 """并发请求数（线程池大小）。上限看网关的承受力，报 429 就调小。""" max_retries: int = 3 """单请求的网络级重试次数（openai 客户端内建指数退避）。""" system_prompt: str | None = None """None = 不加 system 轮（DAPO 题面自带作答指令，不需要额外指挥）。""" def __post_init__(self) -> None: if self.max_tokens <= 0: raise ValueError(f"max_tokens 必须为正，收到 {self.max_tokens}") if self.concurrency < 1: 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}" )