Scripts

sync_pretrain_data_into_repo.sh: 200B 数据构建完成后，把数据目录同步到 dataset/pretrain/data/，默认优先 hardlink。
wait_and_sync_pretrain_data.sh: 后台等待当前 200B 构建进程结束，然后自动同步数据。
preprocess_megatron_bridge_pretrain.sh: 旧的 Megatron indexed dataset 预处理入口，保留用于对照。
preprocess_megatron_bridge_pretrain_direct.sh: 直接从 parquet 生成 Megatron indexed dataset，不落中间 JSONL。
train_megatron_bridge_2b_moe.sh: 当前主训练入口，使用 NeMo 26.06 镜像中的 Megatron-Bridge。
train_nemo_megatron_2b_moe.sh: NeMo/Megatron 训练入口占位，包含 image、mount、路径检查。
g0050_download_and_setup_from_modelscope.sh: 在 g0050 上一键准备训练环境并从 ModelScope 下载未 tokenize parquet 数据。

g0050 下载与部署

在 Mac 侧通过 B300 跳转到 g0050：

ssh B300 'ssh ubuntu@g0050 "cd /ssd/workspace/yi/laoyao_2b_moe && MODELSCOPE_API_TOKEN=ms-... bash scripts/g0050_download_and_setup_from_modelscope.sh"'

默认行为：

repo 路径：/ssd/workspace/yi/laoyao_2b_moe
数据路径：/ssd/workspace/yi/laoyao_2b_moe_pretraining_dataset
ModelScope dataset：eigentom/laoyao_2b_moe_pretrain_parquet_20260702
训练镜像：nvcr.io/nvidia/nemo:26.06
下载镜像：ModelScope CUDA 13.0 / Swift 4.3.1 官方镜像
代理：默认使用 B300/g0050 侧的 http://100.72.0.101:8888

私有 Gitea clone 时不要把 token 写进脚本，运行时通过环境变量传入：

GIT_REPO_URL=https://yi_lu:<token>@git.deeepseek.net/yi_lu/laoyao_2b_moe.git \
MODELSCOPE_API_TOKEN=ms-... \
bash scripts/g0050_download_and_setup_from_modelscope.sh

1.7 KiB Raw Blame History Unescape Escape

Scripts

g0050 下载与部署

1.7 KiB

Raw Blame History