#!/usr/bin/env bash
# 层 2：white-box OPD 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_whitebox.sh sanity   # 50 步冒烟：看首 prompt 自检 + KL loss +
#                                             #   生成 token 数；预期见 loss 毛刺（梯度爆炸实况）
#   bash scripts/train_whitebox.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）。
#      ⚠️ 白盒显存比层 1 紧：student 训练全套 + teacher(4B) 推理副本 + **两份**全词表
#      logits(student/teacher)，§5 估算 B=4/T=2048 起步安全，但首跑必须盯 nvidia-smi；
#      若 OOM，降 per_device_train_batch_size 到 2，仍不够再开 gradient_checkpointing
#      （改 DistillConfig，注意 checkpointing 与 generate 的 use_cache 交互）。
#   2. data/dapo-math-17k-unique.parquet 已在（层 2 无需 teacher 缓存，纯 prompt-only）：
#      scp data/dapo-math-17k-unique.parquet <远程>:/data/zym/ars-opd-rebuild/data/
#   3. 代码最新：git -C /data/zym/ars-opd-rebuild pull
#   4. 首跑会下载 teacher Qwen3-4B（GB 级）到 HF_HOME，确保 /data 有空间
set -euo pipefail
cd "$(dirname "$0")/.."   # 锚定仓库根

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

export CUDA_VISIBLE_DEVICES=$GPUS
export PYTHONUNBUFFERED=1                 # 禁止日志缓存（CLAUDE.md §5）
export PYTORCH_ALLOC_CONF=expandable_segments:True   # 变长生成序列易碎片化，按需扩段
export HF_ENDPOINT=${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
# 非显然坑：hf-mirror 不代理 HF 的 Xet CAS——大权重走 Xet 会直连
# cas-server.xethub.hf.co 并返 401（2026-07-19 teacher 4B 下载实撞）。禁用 Xet
# 退回经典 HTTP/LFS 下载（镜像支持）。若仍不行：pip uninstall hf_xet
export HF_HUB_DISABLE_XET=1

torchrun --nproc_per_node=4 --master_port=29572 scripts/train_whitebox.py "$MODE"