iomgaa
a0faec0df7
根因：150k 大词表下显存大头是 (B,T,V) logits 链（fp32 ~20G@B=8）与逐层激活， 均正比于 B 而与 0.6B 参数量无关。docs/02 §2.6 旧显存估算勘误入档； train_sft.sh 加 expandable_segments 防碎片。 Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
156 lines
7.2 KiB
Python
156 lines
7.2 KiB
Python
"""实验配置（当前只含层 1 的 SFTConfig，后续层在此文件追加各自的 dataclass）。
|
||
|
||
设计约定（对应 CLAUDE.md §2"配置显式化"）：
|
||
- 所有实验参数必须是这里某个 dataclass 的字段；代码里出现魔法数字/路径即违规。
|
||
- 密钥（API key 等）不进配置类，走 `.env`（见 teacher.py）。
|
||
- 机器相关路径（数据集、输出目录）不给默认值，强制调用方显式传入——
|
||
防止参考实现里 `/fsx` 硬编码那类"在别人机器上必炸"的坑。
|
||
"""
|
||
|
||
from __future__ import annotations
|
||
|
||
from dataclasses import dataclass
|
||
|
||
|
||
@dataclass(frozen=True)
|
||
class SFTConfig:
|
||
"""层 1 SFT 基线的全部实验参数。
|
||
|
||
论文锚点：§3.1 式(1) 的标准交叉熵 SFT；但按 §5.1 的基线定义，
|
||
训练数据是 teacher rollout（离线蒸馏），不是人写答案——所以有
|
||
`teacher_completions_path` 字段：DAPO 是 prompt-only 数据集，
|
||
解答一律来自 teacher 生成的缓存文件。
|
||
|
||
frozen=True：配置一旦构造即只读。训练中途被悄悄改掉的配置是最难
|
||
排查的 bug 来源之一；要换参数就构造一个新实例，留下明确的代码痕迹。
|
||
"""
|
||
|
||
# ---- 机器相关路径（无默认值，必须显式传入）----
|
||
dataset_path: str
|
||
"""DAPO-Math-17K 的本地 parquet 路径（文件或目录），或 HF Hub 数据集名。"""
|
||
|
||
output_dir: str
|
||
"""checkpoint 与日志输出目录（远程必须落在 /data/zym 下）。"""
|
||
|
||
# ---- 数据 ----
|
||
teacher_completions_path: str | None = None
|
||
"""teacher 解答缓存（teacher.py 生成的 JSONL）。None 表示数据集自带
|
||
assistant 轮次；若数据实际是 prompt-only 又没给此路径，data.py 会显式报错，
|
||
不做静默兜底。"""
|
||
|
||
dataset_split: str = "train"
|
||
|
||
subset_size: int | None = 1000
|
||
"""随机抽取的子集大小（控制 teacher API 成本，roadmap 定为 ~1k）；None = 全量。"""
|
||
|
||
# ---- 序列双预算 ----
|
||
# 非显然约束：prompt 与 completion 必须各有独立预算。若只用一个 max_length
|
||
# 从右截断，超长解答会把 prompt 挤空，模型在"没有题目"的样本上学习解答
|
||
# ——这是参考实现 collator(trainer:267-292) 的头号正确性卖点，此处继承。
|
||
max_length: int = 4096
|
||
"""prompt + completion 的总 token 预算。"""
|
||
|
||
max_prompt_length: int = 1024
|
||
"""prompt 单独预算；completion 实际预算 = max_length - len(截断后 prompt)。"""
|
||
|
||
enable_thinking: bool = False
|
||
"""Qwen3 chat 模板的思考开关。False 时模板注入空 `<think>\\n\\n</think>`。
|
||
非显然约束：此开关改变渲染后的 prompt 文本，从而改变 prompt/completion
|
||
的 token 边界——训练与推理必须取同一值，否则掩码整体错位。"""
|
||
|
||
# ---- 优化 ----
|
||
# 差异标注：论文 §5.1 的蒸馏训练用 lr=1e-6，参考实现 SFT 默认 2e-5
|
||
# (train_distillation.py:73)。SFT 有真实 token 监督、信号密集，从参考实现取
|
||
# 2e-5；层 5 的蒸馏配置再回到论文的 1e-6。
|
||
learning_rate: float = 2e-5
|
||
|
||
per_device_train_batch_size: int = 2
|
||
"""非显然约束：别看 0.6B 小就调大它——显存大头是 (B,T,V) 的 logits 链
|
||
（fp32 一份 ~20G@B=8）与逐层激活，都正比于 B 而与参数量无关；B=8 实测
|
||
爆 80G 卡（2026-07-18 远程 sanity）。"""
|
||
|
||
gradient_accumulation_steps: int = 8
|
||
"""全局 batch = 2(per_device) × 4(卡) × 8(累积) = 64，与参考实现注释的
|
||
训练规模(trainer 配置注释"global batch 64")对齐。"""
|
||
|
||
num_train_epochs: int = 1
|
||
|
||
max_steps: int = -1
|
||
""">0 时覆盖 num_train_epochs，只跑这么多步——远程 50 步 sanity 用；-1 = 按 epoch。"""
|
||
|
||
lr_scheduler_type: str = "linear"
|
||
warmup_ratio: float = 0.0
|
||
|
||
gradient_checkpointing: bool = False
|
||
"""0.6B 学生显存富余，不开（省 ~40% 显存、慢 ~30%）。注意：FSDP 下此开关
|
||
是 no-op，真正的开关是 FSDP_ACTIVATION_CHECKPOINTING 环境变量（见
|
||
scripts/ 训练脚本头部的前置块，docs/02 §2.6）。"""
|
||
|
||
bf16: bool = True
|
||
seed: int = 42
|
||
|
||
# ---- 日志与保存 ----
|
||
logging_steps: int = 1
|
||
save_steps: int = 100
|
||
save_total_limit: int = 2
|
||
report_to: str = "none"
|
||
""""none" 或 "wandb"。默认 none：本地调试不该悄悄往外发数据，远程脚本显式开。"""
|
||
|
||
def __post_init__(self) -> None:
|
||
"""构造即校验：配置错误必须在训练开始前炸，而不是跑到第一个超长样本才炸。"""
|
||
if self.max_prompt_length >= self.max_length:
|
||
raise ValueError(
|
||
f"max_prompt_length({self.max_prompt_length}) 必须小于 "
|
||
f"max_length({self.max_length})，否则 completion 预算为零，"
|
||
f"所有样本的 labels 将全为 -100，loss 恒为 0 且无报错——静默空训练。"
|
||
)
|
||
if self.learning_rate <= 0:
|
||
raise ValueError(f"learning_rate 必须为正，收到 {self.learning_rate}")
|
||
if self.subset_size is not None and self.subset_size <= 0:
|
||
raise ValueError(
|
||
f"subset_size 必须为正整数或 None（全量），收到 {self.subset_size}"
|
||
)
|
||
if self.max_steps == 0 or self.max_steps < -1:
|
||
raise ValueError(
|
||
f"max_steps 只接受 -1（按 epoch）或正整数，收到 {self.max_steps}"
|
||
)
|
||
|
||
|
||
@dataclass(frozen=True)
|
||
class TeacherGenConfig:
|
||
"""teacher 批量生成（层 1 能力）的采样与执行参数。
|
||
|
||
连接信息（API 地址/密钥/模型名）不在这里——那是部署环境的事实，走 `.env`
|
||
（teacher.py 读取）；这里只放"换一组值就是换一个实验"的采样参数。
|
||
"""
|
||
|
||
temperature: float = 1.0
|
||
top_p: float = 0.95
|
||
"""MiniMax M 系官方推荐采样参数：temperature=1.0, top_p=0.95。"""
|
||
|
||
max_tokens: int = 16384
|
||
"""teacher 单条回复的 token 上限。这是上限不是目标——按实际生成量计费，
|
||
放大它不增加正常解答的成本，只给最难的题留出写完的空间（8192 时 59 条实测
|
||
截断 2 条）。非显然约束：M3 的思考段也计入此额度，设太小会把解答挤没。"""
|
||
|
||
strip_think: bool = True
|
||
"""剥离 content 开头的 <think>...</think> 思考段。SFT 的监督目标是最终
|
||
解答；student 以 enable_thinking=False 训练，学思考段会与模板约定矛盾。"""
|
||
|
||
concurrency: int = 16
|
||
"""并发请求数（线程池大小）。上限看网关的承受力，报 429 就调小。"""
|
||
|
||
max_retries: int = 3
|
||
"""单请求的网络级重试次数（openai 客户端内建指数退避）。"""
|
||
|
||
system_prompt: str | None = None
|
||
"""None = 不加 system 轮（DAPO 题面自带作答指令，不需要额外指挥）。"""
|
||
|
||
def __post_init__(self) -> None:
|
||
if self.max_tokens <= 0:
|
||
raise ValueError(f"max_tokens 必须为正，收到 {self.max_tokens}")
|
||
if self.concurrency < 1:
|
||
raise ValueError(f"concurrency 必须 ≥1，收到 {self.concurrency}")
|
||
if self.temperature < 0:
|
||
raise ValueError(f"temperature 必须 ≥0，收到 {self.temperature}")
|