4.7 KiB
4.7 KiB
00 · 分层重构路线图
原则：按论文概念的依赖顺序逐层重建，每层完成后代码可运行、可验证。学习路径 = 提交历史。 后面各层不提前细化——细节在进入该层时随章节文档长出来（依据见
appendix-claudemd-decisions.md的延迟接入哲学）。
当前进度（存档点）
每次断点（层完成/工作暂停）更新此节。恢复上下文时：读 CLAUDE.md → 本节 → 对应章节文档。
- 日期: 2026-07-18
- 当前层: 层 0（环境与骨架），收尾中
- 已完成: 文档第一章精讲完毕（式 1-8 + §3.1-3.6 逐节过）；detach 命门测试预置并通过；依赖清单/远程脚本/密钥模板入库；gitea 双端打通（SSH 222 端口）
- 进行中: 本地 env 依赖安装移交用户手动执行（CPU torch + 清华源；后台安装因网络超时反复失败）；远程已验收 ✅（torch+8 卡、pytest 4/4）
- 层 0 关账判据: 两端
pytest tests/ -q全绿（远程 ✅，本地待装完） - 下一步: 层 1 开工文档
docs/02-sft-baseline.md已写好（含解剖、保留/替代/删除清单、任务表 T1-T5、默认参数提案），用户阅读后按 T1→T3→T4→T2→T5 动手 - 未精讲的文档账: docs/01 的 §3.7（KL 锚三处实现差异）、§3.8（论文外稳定器）、§4（训练步流程走读）
- 远程磁盘备忘: 根分区 100% 的结构性原因是
/root/zym（507G 历史工作区）压在根分区，建议择期整体搬迁/data；临时缓解 = 清/tmp/pip-unpack-*、旧 tar.gz、journal。所有新增写盘已改道/data/zym
分层计划
| 层 | 主题 | 论文对应 | 产出 | 验证方式 |
|---|---|---|---|---|
| 0 | 环境与骨架 | — | 本地/远程 conda 环境、gitea 同步、包骨架 | 两端 pytest 空跑通过 |
| 1 | SFT 基线 | §3.1 式(1) | 数据管线 + 最小 SFT 训练脚本（Qwen3-0.6B） | 远程 4 卡跑通，loss 正常下降 |
| 2 | White-box OPD 基线 | §3.1 式(2) | token 级反向 KL 蒸馏（teacher Qwen3-4B 本地 vLLM） | 远程跑通；理解式(2)梯度爆炸问题（§4.1） |
| 3 | 相似度 + MC 估计器 | §3.2.1-3.2.2 式(3)(4)(5) | similarity.py + estimator.py（纯逻辑） |
本地 CPU 单测，对拍 validate_mc_estimator.py；detach 命门测试已预置（tests/test_estimator_detach.py），完成后需接入真实实现 |
| 4 | Peak-entropy 调度器 | §3.2.3 式(6)(7) | chunking.py（纯逻辑） |
本地 CPU 单测：toy 熵序列上验证 chunk 选择与合并 |
| 5 | 完整 OmniOPD | §3.2.4 式(8) | teacher.py（API 客户端+缓存）+ trainer.py（chunk 损失 + KL 锚定） |
远程端到端跑通（DeepSeek/MiniMax teacher） |
| 6 | 评测与消融 | §5 | 数学评测脚本；三个消融开关 | MATH-500 子集上 student 有可测提升趋势 |
章节文档索引
| 文档 | 内容 | 状态 |
|---|---|---|
00-roadmap.md |
本文 | ✅ |
01-paper-code-map.md |
论文 §3-§4 精读 + 参考实现全景解剖 + 概念↔代码对照表 | ✅ |
02-sft-baseline.md |
层 1：SFT 与数据管线 | ✅ 待读 |
03-whitebox-opd.md |
层 2：token 级 KL 蒸馏及其脆弱性 | ⬜ |
04-mc-estimator.md |
层 3：MC 估计 + 贝叶斯平滑 | ⬜ |
05-entropy-chunking.md |
层 4：熵调度 | ⬜ |
06-omniopd-full.md |
层 5：完整损失与 teacher 客户端 | ⬜ |
07-eval-ablation.md |
层 6：评测与消融 | ⬜ |
关键设定（与论文默认对齐，规模缩小）
| 参数 | 论文默认 | 本项目 | 说明 |
|---|---|---|---|
| chunk 数 M | 10 | 10 | 每条轨迹审计的 chunk 数 |
| rollout 数 N | 10 | 10 | 每个 chunk 的 teacher MC 采样数（§4.2 证明 N=10 是甜点） |
| chunk 长度 C | 50 | 50 | token 数 |
| 先验强度 α | 1.0 | 1.0 | chunk_alpha，Dirichlet 平滑 |
| 相似度 φ | edit_distance（§5.1） | edit_distance | ⚠️ 代码默认 rouge1（config L298）与论文默认背离，须显式指定 |
| KL 锚权重 β | 0.1（§5.1） | 0.1 | ⚠️ 代码默认 mc_kl_weight=0 与论文背离，须显式指定 |
| 训练数据 | DAPO-Math-17K（prompt-only） | 同（层 1 先抽 ~1k 子集控制 API 成本） | 一份数据服务层 1-6；学生升到 1.7B 后可直接对表论文 Table 1 |
| Student | Qwen3-1.7B / 4B | Qwen3-0.6B | 跑通优先；升级 1.7B 即可与论文对比 |
| Teacher | Qwen3-32B / Claude-4.5-Haiku / Gemini-2.5-Flash | DeepSeek 或 MiniMax（OpenAI 兼容） | logit-free 主路径 |
| SFT 基线定义 | teacher rollout 上的离线蒸馏（非人写答案） | 同 | 对应参考实现 _generate_teacher_completions + JSONL 缓存路径 |