"""训练编排（IO 边缘）。层 1 形态：掩码 SFT 损失 + 最小 HF Trainer 子类。

论文锚点：§3.1 式(1) 的标准交叉熵 SFT（监督目标是 teacher rollout，见 docs/02 §1）。
层 5 会在此模块长出式(8) 的 chunk 蒸馏损失与 KL 锚定；届时式(1) 路径保留为基线。

结构：损失算法收在纯张量函数 `sft_loss`（可用 toy 张量在 CPU 单测），
`SFTTrainer` 只做接线——模型前向、调 `sft_loss`、把指标并进日志，
其余一切（优化器、调度、DDP、checkpoint 保存）原样继承 HF Trainer。
"""

from __future__ import annotations

from typing import Any

import torch
import torch.nn.functional as F
from transformers import Trainer

from ars_opd.data import IGNORE_INDEX

# ---------------------------------------------------------------------------
# 损失算法（纯张量函数，对拍 distillation_trainer.py:751-759 + 2776-2874）
# ---------------------------------------------------------------------------


def compute_prompt_length(attention_mask: torch.Tensor, labels: torch.Tensor) -> int:
    """batch 级 prompt 边界 = batch 内最短的"有效长度 - completion 长度"。

    参数（B = batch，T = padding 后长度）：
    - attention_mask: (B, T)，左 padding 位置为 0
    - labels: (B, T)，completion 位置为 token id，其余为 -100

    返回标量 pl。非显然约束：取 batch **最小值**是为了不切掉任何行的
    completion token——左 padding 下所有序列右对齐，第 r 行的 completion 起点
    索引是 T - comp_r ≥ prompt_r ≥ min，故切片 [pl:] 必然包含全部 completion；
    代价是长 prompt 行会漏进一些 prompt token，由 sft_loss 用 labels 重掩码兜住。
    """
    full_lengths = attention_mask.sum(dim=1)  # (B,) 每行非 padding 的 token 数
    completion_lengths = (labels != IGNORE_INDEX).sum(dim=1)  # (B,)
    return int((full_lengths - completion_lengths).min().item())


def sft_loss(
    logits: torch.Tensor,
    input_ids: torch.Tensor,
    labels: torch.Tensor,
    attention_mask: torch.Tensor,
) -> tuple[torch.Tensor, int]:
    """式(1)：completion 位置上的移位交叉熵。

    参数（B = batch，T = padding 后长度，V = 词表大小）：
    - logits: (B, T, V) 模型对全序列的输出
    - input_ids / labels / attention_mask: (B, T)，SFTCollator 的产物

    返回 (标量 loss, 本 batch 有效 completion token 数)。

    切片几何（docs/02 §2.4 的四行，此处为权威实现）：
    位置 t-1 的 logit 预测位置 t 的 token，故 logits 取 [pl-1, T-1) 、
    targets 取 [pl, T)，两段长度同为 T-pl，逐位对齐。
    """
    pl = compute_prompt_length(attention_mask, labels)
    if pl < 1:
        # 需要位置 pl-1 的 logit 存在；pl=0 意味着某行完全没有 prompt token，
        # 数据管线出了问题（collator 保证 prompt 至少含模板 token）
        raise ValueError(f"prompt_length={pl} < 1，存在无 prompt 的数据行")

    shifted_logits = logits[:, pl - 1 : -1, :]  # (B, T, V) -> (B, T-pl, V)
    targets = input_ids[:, pl:].clone()  # (B, T-pl)；clone: 下面要原地改写

    # 重掩码：切片里漏进的 prompt token（长 prompt 行）与 padding 全部置 -100。
    # labels 是权威掩码，切片几何只是省算力——正确性完全由这一步保证
    invalid = labels[:, pl:] == IGNORE_INDEX  # (B, T-pl)
    targets[invalid] = IGNORE_INDEX

    num_valid = int((~invalid).sum().item())
    if num_valid == 0:
        # 差异标注：参考实现(trainer:2810-2812)对非有限 loss 返回零梯度标量静默
        # 继续；我们显式报错——collator 已挡下 prompt-only 行，走到这里仍全被
        # 掩码只可能是数据坏了（如 teacher 返回空解答），必须暴露而非跳过
        raise ValueError(
            "本 batch 没有任何有效 completion token（全被 -100 掩码）。"
            "检查 teacher 解答是否为空、completion 预算是否被截光。"
        )

    vocab = shifted_logits.shape[-1]
    loss = F.cross_entropy(
        shifted_logits.reshape(-1, vocab),  # (B*(T-pl), V)
        targets.reshape(-1),  # (B*(T-pl),)
        ignore_index=IGNORE_INDEX,
    )
    return loss, num_valid


# ---------------------------------------------------------------------------
# Trainer 接线
# ---------------------------------------------------------------------------


class SFTTrainer(Trainer):
    """最小 SFT Trainer：只重写 compute_loss 与 log，其余全部继承 HF Trainer。

    用法（见 scripts/ 训练脚本）：与 HF Trainer 完全同参构造，
    data_collator 传 SFTCollator，train_dataset 传 load_sft_dataset 的产物。
    """

    def __init__(self, *args: Any, **kwargs: Any) -> None:
        super().__init__(*args, **kwargs)
        # 关 dropout（参考实现同款，docs/02 §3 保留清单）：层 2+ 的蒸馏要求
        # student/ref 两次前向可比，前向必须确定；Qwen3 默认无 dropout，
        # 此处是无害的统一前置
        for module in self.model.modules():
            if isinstance(module, torch.nn.Dropout):
                module.p = 0.0
        # 非显然约束：显式退出 HF 的新式梯度累积契约（v5 trainer.py:1977 文档
        # 原话："If you are not using num_items_in_batch ... overwrite
        # self.model_accepts_loss_kwargs to False"）。新式契约要求返回
        # sum/全局token数，且依赖基类 compute_loss 尾部的 ×world_size 补偿
        # （trainer.py:2028）——我们整体重写了 compute_loss，那段补偿不会执行，
        # 曾致 loss 与梯度 ÷4（2026-07-18，第二幕；第一幕是返回裸 mean 被 ×8，
        # 全程记录见 docs/02 §5）。退出后回到经典契约：返回本微批 mean，
        # Trainer 负责 ÷累积步数，日志跨卡平均，版本稳定
        self.model_accepts_loss_kwargs = False
        self._token_counts: list[int] = []

    def compute_loss(
        self,
        model: Any,
        inputs: dict[str, torch.Tensor],
        return_outputs: bool = False,
        num_items_in_batch: int | None = None,
    ) -> torch.Tensor | tuple[torch.Tensor, Any]:
        # 非显然约束：不把 labels 传给模型前向。HF 模型收到 labels 会自己算
        # "全序列移位 CE"并放进 outputs.loss，那会绕过 batch-min 切片与重掩码；
        # 损失的权威实现只能有 sft_loss 一处
        outputs = model(
            input_ids=inputs["input_ids"],
            attention_mask=inputs["attention_mask"],
        )
        loss, num_tokens = sft_loss(
            outputs.logits,
            inputs["input_ids"],
            inputs["labels"],
            inputs["attention_mask"],
        )
        # num_items_in_batch 有意忽略：已在 __init__ 退出新式契约（见彼处注释），
        # 本函数返回微批 mean，÷累积步数由 Trainer.training_step 负责。
        # 代价是微批按相同权重而非 token 数加权（百分之几的偏差，与参考实现同行为）
        self._token_counts.append(num_tokens)
        return (loss, outputs) if return_outputs else loss

    def log(self, logs: dict[str, float], start_time: float | None = None) -> None:
        """在 HF 的常规日志里并入每步有效 token 数均值。

        sanity run 时盯这个数：若它远小于预期（≈batch 内解答总长），说明掩码
        把 completion 也吞了——loss 曲线看不出这种错，token 数看得出。
        """
        if self._token_counts:
            logs["sft/num_tokens_per_step"] = sum(self._token_counts) / len(
                self._token_counts
            )
            self._token_counts = []
        super().log(logs, start_time)