#!/usr/bin/env bash
# 层 1：SFT 基线训练（远程 gpu-a800-060 专用；本地不跑训练）。
#
# 用法（tmux 内执行，日志实时可查）：
#   bash scripts/train_sft.sh sanity   # 50 步冒烟：看首样本自检 + loss 是否从 ~2-3 下降
#   bash scripts/train_sft.sh          # 正式：1k 子集 1 epoch
#
# 前置检查清单：
#   1. nvidia-smi 确认下方 GPUS 四张卡空闲（只许用 8 卡中的 4 张，严禁自动选卡）
#   2. data/ 下已有两个文件（gitignore 不随 git 走，本地 scp 上来）：
#      scp data/dapo-math-17k-unique.parquet data/teacher_completions_dapo1k_minimax-m3.jsonl \
#          <远程>:/data/zym/ars-opd-rebuild/data/
#   3. 代码是最新：git -C /data/zym/ars-opd-rebuild pull
set -euo pipefail
cd "$(dirname "$0")/.."   # 锚定仓库根：py 内 data/... 相对路径以此为基准

GPUS=0,1,2,3              # ⚠️ 改这里前先 nvidia-smi
MODE=${1:-full}

export CUDA_VISIBLE_DEVICES=$GPUS
export PYTHONUNBUFFERED=1                 # 禁止日志缓存（CLAUDE.md §5）
export PYTORCH_ALLOC_CONF=expandable_segments:True   # 变长序列 batch 易碎片化，按需扩段
export HF_ENDPOINT=${HF_ENDPOINT:-https://hf-mirror.com}
export HF_HOME=${HF_HOME:-/data/zym/hf_cache}   # 模型缓存落 /data，根分区已满
# hf-mirror 不代理 HF Xet CAS（大权重走 Xet 会 401，见 train_whitebox.sh 详注）
export HF_HUB_DISABLE_XET=1

torchrun --nproc_per_node=4 --master_port=29571 scripts/train_sft.py "$MODE"