270 lines
8.2 KiB
Markdown
270 lines
8.2 KiB
Markdown
# TI Coding Agent Training Probe
|
||
|
||
这个仓库用于复现一组 coding-agent SFT probing 实验：从 ModelScope 下载已经构造好的 Open-SWE-Traces probe 训练/验证数据集，下载 Qwen3.5-9B 和 Qwen3.6-27B，然后用 ModelScope-SWIFT 依次跑四个 1 epoch 训练任务。Hugging Face 数据源仍保留为 fallback。
|
||
|
||
## 目录
|
||
|
||
- `third_party/modelscope-swift/`: ModelScope-SWIFT submodule。
|
||
- `scripts/setup_env.sh`: 一键创建 repo 内 `.venv` 并安装本项目和 SWIFT。
|
||
- `scripts/download_dataset.py`: 下载 ModelScope 或 Hugging Face 数据集并解压 `train.jsonl`、`validation.jsonl`。
|
||
- `scripts/download_models.sh`: 下载 Qwen3.5-9B 和 Qwen3.6-27B 到 `models/`。
|
||
- `scripts/train_qwen35_9b_lora.sh`: Qwen3.5-9B rank=32 LoRA。
|
||
- `scripts/train_qwen35_9b_full.sh`: Qwen3.5-9B bf16 full SFT。
|
||
- `scripts/train_qwen36_27b_lora.sh`: Qwen3.6-27B rank=32 LoRA。
|
||
- `scripts/train_qwen36_27b_full.sh`: Qwen3.6-27B bf16 full SFT。
|
||
- `scripts/train_qwen36_27b_megatron_full.sh`: 基于 Megatron-SWIFT/MCore-Bridge 的 Qwen3.6-27B full SFT 入口。
|
||
- `scripts/run_all_experiments.sh`: 按 LoRA 9B -> full 9B -> LoRA 27B -> full 27B 的顺序执行完整实验。
|
||
- `runs/`: TensorBoard 日志目录。
|
||
- `logs/`: 训练 stdout/stderr 和实际命令记录。
|
||
- `outputs/`: checkpoint 和最终模型权重输出目录。
|
||
- `data/`: 下载后的训练和验证数据，默认不进 git。
|
||
- `models/`: 下载后的 base model，默认不进 git。
|
||
|
||
## 环境部署
|
||
|
||
在 B300 上使用：
|
||
|
||
```bash
|
||
cd /ssd/workspace/yi/ti_coding_agent_probe
|
||
git submodule update --init --recursive
|
||
./scripts/setup_env.sh
|
||
```
|
||
|
||
脚本默认使用国内源和 B300 机器特定代理，避免直接访问外网导致下载失败：
|
||
|
||
```text
|
||
http_proxy=http://100.72.0.101:8888
|
||
https_proxy=http://100.72.0.101:8888
|
||
HTTP_PROXY=http://100.72.0.101:8888
|
||
HTTPS_PROXY=http://100.72.0.101:8888
|
||
PIP_INDEX_URL=https://mirrors.aliyun.com/pypi/simple/
|
||
UV_DEFAULT_INDEX=https://mirrors.aliyun.com/pypi/simple/
|
||
UV_INDEX_URL=https://mirrors.aliyun.com/pypi/simple/
|
||
HF_ENDPOINT=https://hf-mirror.com
|
||
```
|
||
|
||
其中 proxy 是当前 B300/g0049 环境的 machine-specific 配置。换到其他机器、其他集群或本地环境时，需要先确认代理地址是否仍然可用；如果不可用，应覆盖 `http_proxy`、`https_proxy`、`HTTP_PROXY`、`HTTPS_PROXY`，或在无墙环境下显式清空这些变量。PyPI/uv/Hugging Face 镜像也可以通过上面的环境变量覆盖。
|
||
|
||
Python 依赖安装在仓库内 `.venv`，不会写入系统 Python。安装逻辑是：
|
||
|
||
1. 先在 `.venv` 内安装 `uv`。
|
||
2. 用 SWIFT 官方推荐的 `uv pip install -e third_party/modelscope-swift --torch-backend=auto` 安装 SWIFT 源码依赖。
|
||
3. 再安装本 probe repo。
|
||
4. 默认额外补充 `deepspeed<0.19`、`liger-kernel`、`tensorboard`、`nvitop`。
|
||
|
||
如果要安装 SWIFT 的全量 optional 依赖：
|
||
|
||
```bash
|
||
INSTALL_SWIFT_ALL=1 ./scripts/setup_env.sh
|
||
```
|
||
|
||
如果只想安装 SWIFT core，不补额外训练包：
|
||
|
||
```bash
|
||
INSTALL_TRAINING_EXTRAS=0 ./scripts/setup_env.sh
|
||
```
|
||
|
||
如果要追加其他包：
|
||
|
||
```bash
|
||
EXTRA_UV_PACKAGES="flash-attn==2.8.3" ./scripts/setup_env.sh
|
||
```
|
||
|
||
## 下载数据集
|
||
|
||
默认数据源是 ModelScope：
|
||
|
||
```text
|
||
eigentom/ti_coding_agent_training_probe_20260624
|
||
```
|
||
|
||
如果数据集需要鉴权，设置任一 token 环境变量即可：
|
||
|
||
```bash
|
||
export MODELSCOPE_API_TOKEN=<modelscope-api-key>
|
||
# 或
|
||
export MS_TOKEN=<modelscope-api-key>
|
||
```
|
||
|
||
下载训练和验证数据：
|
||
|
||
```bash
|
||
./scripts/download_dataset.py
|
||
```
|
||
|
||
也可以显式指定 ModelScope repo：
|
||
|
||
```bash
|
||
export MS_DATASET_REPO_ID=eigentom/ti_coding_agent_training_probe_20260624
|
||
./scripts/download_dataset.py --backend modelscope
|
||
```
|
||
|
||
Hugging Face 后端仍保留为 fallback。使用 HF 时，如果环境里设置了 `HF_TOKEN`，脚本会用 token owner 自动拼成 `owner/ti_coding_agent_training_probe_20260624`。也可以显式指定：
|
||
|
||
```bash
|
||
export HF_ENDPOINT=https://hf-mirror.com
|
||
export HF_DATASET_REPO_ID=<owner>/ti_coding_agent_training_probe_20260624
|
||
./scripts/download_dataset.py --backend huggingface
|
||
```
|
||
|
||
输出：
|
||
|
||
- `data/raw/training_probe/`: 原始下载文件。
|
||
- `data/processed/training_probe/train.jsonl`
|
||
- `data/processed/training_probe/validation.jsonl`
|
||
- `data/processed/training_probe/train.parquet`
|
||
- `data/processed/training_probe/validation.parquet`
|
||
|
||
训练数据里 `system`、`user`、`tool` 消息带 `loss=false`，只有 assistant 轨迹带 `loss=true`。system prompt 会作为上下文参与 attention，但不作为预测目标计算 loss。
|
||
|
||
## 下载模型
|
||
|
||
```bash
|
||
./scripts/download_models.sh
|
||
```
|
||
|
||
默认模型 ID：
|
||
|
||
- `Qwen/Qwen3.5-9B`
|
||
- `Qwen/Qwen3.6-27B`
|
||
|
||
如果 Hugging Face 上实际模型 ID 有变化，可以覆盖：
|
||
|
||
```bash
|
||
export QWEN35_9B_MODEL_ID=<actual-9b-id>
|
||
export QWEN36_27B_MODEL_ID=<actual-27b-id>
|
||
./scripts/download_models.sh
|
||
```
|
||
|
||
模型下载脚本使用新版 Hugging Face CLI：
|
||
|
||
```bash
|
||
hf download <model-id> --local-dir <dir> --max-workers <n>
|
||
```
|
||
|
||
旧版 `huggingface-cli download` 和 `--local-dir-use-symlinks` 参数已经不再使用。默认并发是 `HF_DOWNLOAD_MAX_WORKERS=8`，如果网络或镜像不稳定可以调小：
|
||
|
||
```bash
|
||
export HF_DOWNLOAD_MAX_WORKERS=4
|
||
export HF_TOKEN=<optional-token>
|
||
./scripts/download_models.sh
|
||
```
|
||
|
||
## 单步训练
|
||
|
||
每个训练脚本默认：
|
||
|
||
- `num_train_epochs=1`
|
||
- `lora_rank=32`
|
||
- `torch_dtype=bfloat16`
|
||
- `save_steps=1000`
|
||
- `eval_steps=1000`
|
||
- `report_to=tensorboard`
|
||
- `max_length=262144`
|
||
- `warmup_ratio=0.1`
|
||
- `lr_scheduler_type=cosine`
|
||
- full SFT: `learning_rate=1e-5`
|
||
- LoRA: `learning_rate=5e-5`
|
||
- 默认每卡训练 batch size 为 `1`
|
||
- 默认 `NPROC_PER_NODE=8`
|
||
- 默认 `CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7`
|
||
- 默认 `deepspeed=zero2`
|
||
|
||
B300/g0049 当前是 8 张 B300，每卡约 275GB 显存。由于本实验默认上下文长度是 `262144`，预设 batch size 保守取 `1`，防止 27B/full 或长样本直接 OOM。吞吐测试时可以从脚本外部调大，建议先从 LoRA/9B 开始试。
|
||
|
||
常用覆盖方式：
|
||
|
||
```bash
|
||
# 全部训练统一覆盖
|
||
export PER_DEVICE_BATCH_SIZE=2
|
||
export GRAD_ACCUM_STEPS=2
|
||
|
||
# 只覆盖 LoRA 或 full
|
||
export LORA_PER_DEVICE_BATCH_SIZE=2
|
||
export FULL_PER_DEVICE_BATCH_SIZE=1
|
||
export LORA_LEARNING_RATE=5e-5
|
||
export FULL_LEARNING_RATE=1e-5
|
||
|
||
# 只覆盖某一个 run；优先级最高
|
||
export QWEN35_9B_LORA_R32_PER_DEVICE_BATCH_SIZE=2
|
||
export QWEN35_9B_LORA_R32_GRAD_ACCUM_STEPS=2
|
||
export QWEN36_27B_FULL_BF16_PER_DEVICE_BATCH_SIZE=1
|
||
|
||
# scheduler/warmup
|
||
export WARMUP_RATIO=0.1
|
||
export LR_SCHEDULER_TYPE=cosine
|
||
|
||
# 短跑 throughput/debug，不跑完整 epoch
|
||
export MAX_STEPS=10
|
||
```
|
||
|
||
命令：
|
||
|
||
```bash
|
||
./scripts/train_qwen35_9b_lora.sh
|
||
./scripts/train_qwen35_9b_full.sh
|
||
./scripts/train_qwen36_27b_lora.sh
|
||
./scripts/train_qwen36_27b_full.sh
|
||
```
|
||
|
||
## Megatron-SWIFT
|
||
|
||
仓库也提供了基于 Megatron-SWIFT/MCore-Bridge 的 full SFT 入口，参考官方 quick-start 的 `megatron sft` 写法：
|
||
|
||
```bash
|
||
./scripts/train_qwen36_27b_megatron_full.sh
|
||
```
|
||
|
||
默认参数：
|
||
|
||
- `NPROC_PER_NODE=8`
|
||
- `CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7`
|
||
- `MEGATRON_MODEL=Qwen/Qwen3.6-27B`
|
||
- `TENSOR_MODEL_PARALLEL_SIZE=4`
|
||
- `PIPELINE_MODEL_PARALLEL_SIZE=1`
|
||
- `CONTEXT_PARALLEL_SIZE=1`
|
||
- `MICRO_BATCH_SIZE=1`
|
||
- `GLOBAL_BATCH_SIZE=8`
|
||
- `MAX_LENGTH=262144`
|
||
- `LR=1e-5`
|
||
- `MIN_LR=1e-6`
|
||
- `LR_WARMUP_FRACTION=0.1`
|
||
|
||
Megatron 多机/共享盘训练要求 dataset cache 一致。脚本默认把 `MODELSCOPE_CACHE`、Megatron 输出和日志放在共享路径：
|
||
|
||
```text
|
||
/mnt/beegfs/workspace/ti_coding_agent_probe/
|
||
```
|
||
|
||
如果换机器或换共享盘，需要覆盖：
|
||
|
||
```bash
|
||
export BEEGFS_ROOT=/mnt/beegfs/workspace/ti_coding_agent_probe
|
||
export MODELSCOPE_CACHE=$BEEGFS_ROOT/modelscope_cache
|
||
export MEGATRON_OUTPUT_ROOT=$BEEGFS_ROOT/megatron_outputs
|
||
export MEGATRON_LOG_ROOT=$BEEGFS_ROOT/megatron_logs
|
||
```
|
||
|
||
## 一键完整实验
|
||
|
||
确认 GPU 空闲后执行：
|
||
|
||
```bash
|
||
./scripts/run_all_experiments.sh
|
||
```
|
||
|
||
执行顺序固定为：
|
||
|
||
1. Qwen3.5-9B LoRA
|
||
2. Qwen3.5-9B bf16 full SFT
|
||
3. Qwen3.6-27B LoRA
|
||
4. Qwen3.6-27B bf16 full SFT
|
||
|
||
## TensorBoard
|
||
|
||
```bash
|
||
./scripts/tensorboard.sh
|
||
```
|
||
|
||
训练日志会写到 `runs/<run_name>/`。SWIFT/Transformers 的 TensorBoard 标量通常包括 loss、learning rate、eval loss、runtime、samples/sec、steps/sec 等 throughput 指标；同时 stdout 会保存在 `logs/<run_name>.log`。
|