ars-opd-rebuild/docs/02-sft-baseline.md

02 · 层 1：SFT 基线与数据管线

本章目标：搞懂"SFT 基线"在本项目中的确切含义，解剖参考实现的数据管线与掩码交叉熵，然后动手建起 ars_opd 的第一批模块。行号缩写：trainer: = references/ars-opd/trl/trl/experimental/distillation/distillation_trainer.py，train_dist: = references/ars-opd/train_distillation.py。

1. 论文侧：SFT 基线的确切定义

式(1)是标准交叉熵，但注意论文 §5.1 对基线的定义：SFT = 在 teacher rollout 上的离线蒸馏（Kim & Rush 2016 式 sequence-level distillation），不是"在人写答案上训练"。流程：拿 DAPO-Math-17K 的题目 → teacher 生成解答 → 学生对解答做掩码交叉熵。§4.4 的 Thm 4.4 顺带证明了这种 SFT 不具有 tokenizer/风格不变性（损失绑死 teacher 的具体 token 选择）——这是它后面被 OmniOPD 超越的理论伏笔。

本层设定（roadmap 已定）：student Qwen3-0.6B；teacher MiniMax-M3（自建 new-api 网关，OpenAI 兼容；2026-07-18 由 DeepSeek 改定）；数据抽 DAPO ~1k 子集控制 API 成本；目标是管线跑通 + loss 正常下降，不追分数。

2. 参考实现解剖

2.1 两套 SFT，别认错

	train_sft_sanity.py（129 行）	trainer 内 lmbda=0 路径（真基线）
用途	数据质检：绕过全部自定义机制，拿官方 SFTTrainer 验证"数据本身可学"	论文的 SFT 基线
prompt 掩码	无——整段对话（含用户提问）都算 loss	有——prompt 位置标 -100
路由条件	独立脚本	no_teacher and lmbda==0.0（trainer:2855）

教学点：sanity 脚本是工具不是基线；但"先用最笨的官方管线验证数据可学，再上自定义机制"这个调试策略本身值得继承。

2.2 数据格式与加载（train_dist:284-326）

• DAPO parquet 列：['data_source','prompt','ability','reward_model','extra_info']——prompt 列名不副实，装的是完整 chat 列表 [{user},{assistant}]（若已有解答）或仅 [{user}]。
• format_messages（train_dist:295-321）把三种来源归一成 messages 列：messages 直取 / prompt 改名 / question 包成单 user 轮。parquet 会把 list 存成字符串，故有 ast.literal_eval 修复——外面套着 except: pass 静默吞错（train_dist:299-305），我们 CLAUDE.md 明令禁止，重构时改为显式报错。
• chat 模板不在数据阶段应用，推迟到 collator 逐 batch 应用（与 sanity 脚本相反）——好设计：enable_thinking 等模板决策收口一处。

2.3 Collator——本层最核心的一段（trainer:210-343）

职责一句话：把 messages 变成 input_ids/attention_mask/labels，且长解答永远不能把题目挤没。行为清单：

行为	位置	为什么 load-bearing
prompt/completion 各自独立预算	prompt 用 max_prompt_length 截断（trainer:267-273）；completion 上限 = max_length - len(prompt)（trainer:292）	单一 max_length 截断时，超长解答会把 prompt 截成空——参考实现的头号正确性卖点
标签构造	labels = [-100]*len(prompt) + completion（trainer:299）	-100 = 交叉熵的 ignore_index，prompt 不产生 loss
左 padding	trainer:309-335	让整个 batch 能用一个标量 prompt_length 切分（见 2.4）
边界确定	用未截断的 prompt 重分词长度切出 completion（trainer:286-289）	模板渲染后 prompt+completion 的拼接分词 ≠ 分开分词，必须用同一渲染再切
enable_thinking 透传 + 空 <think> 诊断	trainer:252-266	Qwen3 模板 no-think 时注入空 <think>\n\n</think>；此开关变了，prompt/completion 边界跟着变——错一次全错
prompt-only 行	全 -100（trainer:300-303）	纯 SFT 下这种行 loss=0（有专门空 batch 兜护 trainer:2810）

2.4 损失路径（trainer:2776-2874）

prompt_length = batch 内 (总长-完成长) 的最小值        # trainer:751-759
logits[:, prompt_length-1 : -1]  vs  ids[:, prompt_length:]   # 移位对齐
targets[labels==-100 处] = -100                        # 重掩码，trainer:2803-2805
F.cross_entropy(..., ignore_index=-100)

两个精妙点：① prompt_length 取 batch 最小值保证不切掉任何 completion token，代价是长 prompt 行会有 prompt token 漏进"completion 切片"——由第 ③ 步用 labels 重掩码兜住（labels 是权威掩码，切片几何只是加速）；② 移位 -1：位置 t-1 的 logit 预测位置 t 的 token，SFT/蒸馏所有损失都踩这条对齐线。

2.5 teacher 生成与缓存（trainer:934-1068）

触发条件 lmbda==0 and use_teacher_server；已有解答的行跳过；缓存 = output_dir/openrouter_completions_rank{rank}.jsonl，键为 str(hash(prompt))（trainer:984——hash() 跨进程不稳定，我们换 sha256）。我们的重构把这段独立成 teacher.py 的第一个能力：「给一批 prompt 生成解答，带落盘缓存」——层 5 再给它长出 MC rollout 能力。

2.6 基础设施笔记（0.6B 用不上但要知道）

参考实现用 torchrun + FSDP，有个著名 trick：FSDP_ACTIVATION_CHECKPOINTING 环境变量必须在 import accelerate/transformers 之前设置（train_dist:15-21），且 TrainingArguments.gradient_checkpointing 在 FSDP 下是 no-op（train_dist:390-393）。

我们的决策（2026-07-18 讨论定）：0.6B 乃至 1.7B 学生 4×A800 都用 DDP（显存账：1.7B 全套 ~27G/卡，80G 舒适）；FSDP 触发点 = 换 4B 学生或序列 >8K。但"import 前设环境变量"这个坑今天就消除：T5 训练脚本头部从第一天起内置 os.environ.setdefault("FSDP_ACTIVATION_CHECKPOINTING", ...) 前置块——DDP 下无害 no-op，未来启用 FSDP 时只改 TrainingArguments 字段，核心模块零改动。启用后必须 nvidia-smi 实测显存验证生效（分布式配置"设置了但静默无效"是常态，不可信配置）。另：层 2-5 坚持 DDP 还有调试纯度考量——on-policy 生成/ref model 搬运与 FSDP 的交界是参考实现最毛的地方，先保证"出错必是算法错"。

3. 保留 / 替代 / 删除清单（CLAUDE.md §6.2 规定动作）

决策	项目
保留	独立双预算、左 padding、-100 掩码、batch-min prompt_length + 重掩码、移位对齐、pad→eos 回退、disable_dropout、enable_thinking 收口 collator
替代	hash() → sha256；ast.literal_eval 的 except:pass → 显式报错；OpenRouter 专用客户端 → 通用 OpenAI 兼容客户端（配置驱动）；FSDP → DDP（0.6B）
删除	_RepeatBatchDataLoader + RepeatSampler + 整套 buffer 机制（lmbda=0 下是空转，trainer:858-932）、vLLM 学生生成、Liger、on/off-policy 指标、ebopd 配置群

4. 重构任务（你主导，我配合）

#	任务	落点	备注
T1	SFTConfig dataclass（模型/数据路径、双预算、lr、enable_thinking…）	ars_opd/configs.py	全部显式，禁默认藏参
T2	teacher 批量生成 + sha256 JSONL 缓存	ars_opd/teacher.py（首个能力）	读 .env；先对 ~1k 子集生成
T3	数据加载（parquet/HF 双支持）+ to_messages + collator	ars_opd/data.py（新模块，IO 边缘）	CLAUDE.md 映射表需同步加行
T4	掩码 SFT 损失 + 最小训练循环（HF Trainer 子类）	ars_opd/trainer.py（最小形态）	只做 2.4 那四行的事
T5	自包含实验脚本（写死全参数，零参数复现）	scripts/train_sft.sh	触发 Video-Tree §2.5 规则接入；显式 CUDA_VISIBLE_DEVICES 4 卡

建议顺序 T1→T3→T4（本地可测）→T2（要 API key）→T5（远程）。默认参数（已通过；teacher 2026-07-18 改定）：teacher 用 MiniMax-M3（自建 new-api 网关；M 系是 reasoning 模型，content 可能内联 <think> 思考段，入库前由 teacher.py 剥离）、enable_thinking=False、max_length=4096 / max_prompt_length=1024、子集 1000 题。

5. 验证方式

1. 本地（CPU）：collator 单测对拍参考行为——构造超长解答样本断言 prompt 未被截空；断言 -100 位置分布；断言 enable_thinking 两种取值下边界正确。数据加载单测：断言 except:pass 已变显式报错。
2. 远程：先 sanity（官方 SFTTrainer 或我们管线跑 50 步）确认 loss 从 ~2-3 稳定下降；再全量 1 epoch。W&B 或实时日志盯 sft/loss 与有效 token 数。
3. 关账判据：1k 子集 1 epoch 跑完，loss 曲线正常，checkpoint 能被 from_pretrained 加载并生成通顺文本。