iomgaa
f1b6d1f668
远程冒烟实撞：hf-mirror 供小文件正常，但大权重走 Xet 协议会绕过镜像直连 cas-server.xethub.hf.co 并返 401 Unauthorized。加 HF_HUB_DISABLE_XET=1 退回 经典 HTTP/LFS 下载路径（镜像支持）。两个训练脚本都加，防层 1 换机重下也撞。 Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
36 lines
2.1 KiB
Bash
Executable File
36 lines
2.1 KiB
Bash
Executable File
#!/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"
|