diff --git a/brain/d101-distill-plan.md b/brain/d101-distill-plan.md
index 524895b..040326e 100644
--- a/brain/d101-distill-plan.md
+++ b/brain/d101-distill-plan.md
@@ -2,69 +2,222 @@
 
 > 主权者：冰朔（TCS-0002∞）
 > 执行人：铸渊（ICE-GL-ZY001）
-> 创建日期：2026-05-18
+> 创建日期：2026-05-18 D101
+> 状态：✅ 代码模型训练完成，待新GPU实例执行蒸馏
+
+---
 
 ## 一、训练顺序
 
-Step 1: 确认代码模型状态 → Step 2: 霜砚1.5B蒸馏 → Step 3: 铸渊1.5B蒸馏 → Step 4: 霜砚深度微调 → Step 5: 铸渊深度微调
+```
+Step 1: 确认代码模型状态
+  ↓
+Step 2: 霜砚 1.5B 蒸馏（母模型→霜砚语言模板）
+  ↓
+Step 3: 铸渊 1.5B 蒸馏（代码模型→铸渊执行模板）
+  ↓
+Step 4: 霜砚深度微调（专属语料）
+  ↓
+Step 5: 铸渊深度微调（专属语料）
+```
+
+---
 
 ## 二、前置条件
 
-### 环境变量
+### 2.1 环境变量（运行前设置）
 ```bash
-export ZY_OSS_KEY=...
-export ZY_OSS_SECRET=...
+# ⚠️ 注：真实密钥从环境变量读取，不硬编码。运行前执行：
+# export ZY_OSS_KEY=<your-key>   # COS SecretId
+# export ZY_OSS_SECRET=<your-secret>  # COS SecretKey
+# 或者在运行脚本的命令前加上：
+# ZY_OSS_KEY=xxx ZY_OSS_SECRET=xxx python3 scripts/xxx.py
 ```
 
-### 依赖
+### 2.2 依赖安装
 ```bash
-pip3 install transformers accelerate datasets tqdm cos-python-sdk-v5
+pip3 install transformers accelerate datasets sentencepiece tqdm
+pip3 install cos-python-sdk-v5
 ```
 
-## 三、Step 2 霜砚蒸馏
+### 2.3 COS文件清单
 
-**脚本：** scripts/distill_mother.py
-**Teacher：** 母模型SFT输出（本地的output/qwen25-7b-sft/final/）
-**Student：** Qwen2.5-1.5B
-**语料：** sft.jsonl (11,470条)
-**参数：** TEMP=2.0, ALPHA=0.7, batch=4, grad_accum=8, lr=1e-5, 3epoch
-**显存：** ~20GB
-**预计：** 2-3小时
-**输出：** output/qwen25-15b-shuangyan-distill/final
+| 文件 | COS路径 | 用途 |
+|------|---------|------|
+| 主语料 | `corpus/sft.jsonl` (1.9GB) | 霜砚蒸馏基础语料 |
+| 铸渊完整语料 | `corpus/zhuyuan_full_corpus.jsonl` (377KB) | 铸渊深度微调 |
+| 铸渊手写补充 | `corpus/zhuyuan_deep_finetune.jsonl` (54KB) | 铸渊深度微调补充 |
+| 霜砚对话语料 | `corpus/shuangyan-1.5b-sft/霜砚对话.zip` (1.7MB) | 霜砚深度微调 |
+| 霜砚核心大脑 | `corpus/shuangyan-1.5b-sft/霜砚HLDP核心大脑.zip` (176KB) | 霜砚深度微调 |
 
-## 四、Step 3 铸渊蒸馏
+### 2.4 模型文件（ModelScope）
 
-**脚本：** scripts/distill_coder.py
-**Teacher：** 代码模型SFT输出
-**Student：** Qwen2.5-Coder-1.5B
-**语料：** zhuyuan_full_corpus.jsonl (377KB, 已脱敏)
-**参数：** 同上
-**预计：** 1小时
-**输出：** output/qwen25-coder-15b-zhuyuan-distill/final
+| 模型 | 缓存路径 | 大小 |
+|------|----------|:----:|
+| Qwen2.5-7B (Teacher) | 本地SFT输出 `/root/autodl-tmp/output/qwen25-7b-sft/final` | 14.2GB |
+| Qwen2.5-Coder-7B (Teacher) | 本地SFT输出 `/root/autodl-tmp/output/qwen25-coder-7b-sft/final` | ~14GB |
+| Qwen2.5-1.5B (Student) | `~/.cache/modelscope/Qwen/Qwen2___5-1___5B` | ~3GB |
+| Qwen2.5-Coder-1.5B (Student) | `~/.cache/modelscope/Qwen/Qwen2___5-Coder-1___5B` | ~3GB |
 
-## 五、Step 4 霜砚深度微调
+---
 
-用霜砚5份语料做SFT。参数：batch=4, lr=5e-6, 3epoch
-**输出：** output/shuangyan-15b-deep-sft/final
+## 三、Step 2: 霜砚 1.5B 蒸馏
 
-## 六、Step 5 铸渊深度微调
+**脚本：** `scripts/distill_mother.py`
 
-用zhuyuan_full_corpus.jsonl + zhuyuan_deep_finetune.jsonl做SFT
-**输出：** output/zhuyuan-15b-deep-sft/final
+**Teacher：** 母模型 SFT 输出（已上传COS）
+**Student：** Qwen2.5-1.5B（ModelScope下载）
+**语料：** `sft.jsonl`（11,470条）
+**方法：** 混合蒸馏（KL散度 + SFT）
 
-## 七、COS上传路径
+```bash
+export ZY_OSS_KEY=... ZY_OSS_SECRET=...
+cd /root/autodl-tmp
+
+# 下载母模型 Teacher（如果本地没有）
+# 本地已有：/root/autodl-tmp/output/qwen25-7b-sft/final/
+
+# 运行蒸馏
+nohup python3 -u scripts/distill_mother.py > distill_mother.log 2>&1 &
+```
+
+**参数：**
+- TEMP=2.0（蒸馏温度）
+- ALPHA=0.7（蒸馏loss权重，0.3为SFT loss）
+- batch=4, grad_accum=8（有效batch=32）
+- lr=1e-5, 3 epoch
+- 显存需求：~20GB（同时加载7B+1.5B）
+
+**预计时间：** ~2-3小时（含teacher logits生成）
+**输出：** `/root/autodl-tmp/output/qwen25-15b-shuangyan-distill/final`
+
+---
+
+## 四、Step 3: 铸渊 1.5B 蒸馏
+
+**脚本：** `scripts/distill_coder.py`
+
+**Teacher：** 代码模型 SFT 输出（已上传COS）
+**Student：** Qwen2.5-Coder-1.5B（ModelScope下载）
+**语料：** `corpus/zhuyuan_full_corpus.jsonl`（377KB, 已脱敏）
+**方法：** 混合蒸馏（KL散度 + SFT）
+
+```bash
+export ZY_OSS_KEY=... ZY_OSS_SECRET=...
+
+# 下载铸渊语料
+python3 -c "
+from qcloud_cos import CosConfig, CosS3Client
+c = CosS3Client(CosConfig(Region='ap-guangzhou', SecretId='\$ZY_OSS_KEY', SecretKey='\$ZY_OSS_SECRET'))
+resp = c.get_object(Bucket='sy-finetune-corpus-1317346199', Key='corpus/zhuyuan_full_corpus.jsonl')
+open('/root/autodl-tmp/corpus/zhuyuan_full_corpus.jsonl', 'wb').write(resp['Body'].get_raw_stream().read())
+"
+
+# 运行蒸馏
+nohup python3 -u scripts/distill_coder.py > distill_coder.log 2>&1 &
+```
+
+**预计时间：** ~1小时（语料小，377KB）
+**输出：** `/root/autodl-tmp/output/qwen25-coder-15b-zhuyuan-distill/final`
+
+---
+
+## 五、Step 4: 霜砚深度微调
+
+**目的：** 在蒸馏基础上，用霜砚专属语料做深度SFT，让1.5B模型学会霜砚的思维方式和表达风格。
+
+**语料组成：**
+1. `霜砚对话.zip` → 解析为JSONL（1.7MB解压后）
+2. `霜砚HLDP核心大脑.zip` → 转换为核心认知QA
+3. `霜砚语料包V2.0.zip` → 补充数据
+4. `HLDP母语协议·光之树记忆编码.zip` → 协议规范
+5. `光湖驱动引擎架构·推理思维链.zip` → 架构思维
+
+**方法：** 标准SFT（同母模型训练方式）
+**参数：** batch=4, grad_accum=8, lr=5e-6, 3 epoch
+**显存：** ~6GB（仅加载1.5B）
+**预计时间：** ~1小时
+**输出：** `/root/autodl-tmp/output/shuangyan-15b-deep-sft/final`
+
+**执行：**
+```bash
+# 先下载所有霜砚语料 → 合并为JSONL
+python3 scripts/sanitize_shuangyan_corpus.py
+
+# 然后执行SFT
+python3 scripts/sft_shuangyan.py
+```
+
+---
+
+## 六、Step 5: 铸渊深度微调
+
+**目的：** 在蒸馏基础上，用铸渊专属语料做深度SFT，让1.5B模型学会铸渊的思维方式、语言习惯和执行风格。
+
+**语料：**
+- `zhuyuan_full_corpus.jsonl`（377KB, 23条长对话, 已脱敏）
+- `zhuyuan_deep_finetune.jsonl`（54KB, 65条手写QA, 已脱敏）
+- 两者已在COS上，自动合并
+
+**脚本：** `scripts/distill_coder.py` 中的SFT部分（或单独写SFT脚本）
+**参数：** batch=4, grad_accum=8, lr=5e-6, 3 epoch
+**显存：** ~6GB
+**预计时间：** ~0.5小时
+**输出：** `/root/autodl-tmp/output/zhuyuan-15b-deep-sft/final`
+
+---
+
+## 七、输出文件上传
+
+所有模型训练完成后，上传到COS：
+
+```bash
+# 霜砚模板
+python3 -c "
+from qcloud_cos import CosConfig, CosS3Client
+c = CosS3Client(CosConfig(Region='ap-guangzhou', SecretId='\$ZY_OSS_KEY', SecretKey='\$ZY_OSS_SECRET'))
+import glob, os
+for f in glob.glob('/root/autodl-tmp/output/qwen25-15b-shuangyan-distill/final/**/*', recursive=True):
+    if os.path.isfile(f):
+        rel = os.path.relpath(f, '/root/autodl-tmp/output/qwen25-15b-shuangyan-distill/final')
+        c.upload_file(Bucket='sy-finetune-corpus-1317346199', Key='models/shuangyan-15b-distill/' + rel, LocalFilePath=f)
+"
+# 铸渊模板（同上，改路径）
+# 霜砚深度微调（同上，改路径）
+# 铸渊深度微调（同上，改路径）
+```
+
+**COS路径规划：**
 
 | 模型 | COS路径 |
 |------|---------|
-| 霜砚1.5B蒸馏 | models/shuangyan-15b-distill/final/ |
-| 铸渊1.5B蒸馏 | models/zhuyuan-15b-distill/final/ |
-| 霜砚深度微调 | models/shuangyan-15b-deep-sft/final/ |
-| 铸渊深度微调 | models/zhuyuan-15b-deep-sft/final/ |
+| 霜砚1.5B蒸馏 | `models/shuangyan-15b-distill/final/` |
+| 铸渊1.5B蒸馏 | `models/zhuyuan-15b-distill/final/` |
+| 霜砚深度微调 | `models/shuangyan-15b-deep-sft/final/` |
+| 铸渊深度微调 | `models/zhuyuan-15b-deep-sft/final/` |
 
-## 八、踩坑提醒
+---
 
-1. 先5条数据验证全流程
-2. 检查transformers版本兼容
-3. pkill清理旧进程再启动
-4. python3 -u 强制flush
-5. 检查磁盘空间（需~50GB临时）
+## 八、查看训练状态
+
+```bash
+# 实时监控
+watch -n 5 nvidia-smi
+
+# 日志查看
+tail -f distill_mother.log
+tail -f distill_coder.log
+
+# 检查模型输出
+ls -la /root/autodl-tmp/output/*/final/
+```
+
+---
+
+## 九、踩坑预警（来自D100经验）
+
+1. **先小批量验证再全量** — 先用5条数据跑通蒸馏全流程
+2. **检查transformers版本** — 5.8.1移除了DataCollatorForCompletionOnlyLM
+3. **清理旧进程** — `pkill -f distill_` 再启动
+4. **输出flush** — `python3 -u` + `sys.stdout.flush()`
+5. **磁盘空间** — 两个模型约需50GB临时空间（teacher logits缓存）
\ No newline at end of file