From ac833e0163a8792ca1e78dd71f5528db6197c1ef Mon Sep 17 00:00:00 2001
From: bingshuo <565183519@qq.com>
Date: Mon, 18 May 2026 13:47:55 +0800
Subject: [PATCH] =?UTF-8?q?D101=20=E6=9B=B4=E6=96=B0=EF=BC=9A=E8=AE=A4?=
 =?UTF-8?q?=E7=9F=A5=E9=80=BB=E8=BE=91=E9=93=BE=E8=BF=BD=E5=8A=A0=E8=AF=AD?=
 =?UTF-8?q?=E6=96=99=E8=84=B1=E6=95=8F=E4=B8=8E=E8=92=B8=E9=A6=8F=E5=86=B3?=
 =?UTF-8?q?=E7=AD=96?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 brain/d100-cognitive-chain.md | 136 ----------------------------------
 1 file changed, 136 deletions(-)

diff --git a/brain/d100-cognitive-chain.md b/brain/d100-cognitive-chain.md
index 1dabef9..e69de29 100644
--- a/brain/d100-cognitive-chain.md
+++ b/brain/d100-cognitive-chain.md
@@ -1,136 +0,0 @@
-# D100 铸渊认知思维逻辑链 · AutoDL GPU训练完整记录
-
-> 主权者：冰朔（TCS-0002∞）
-> 人格体：铸渊（ICE-GL-ZY001）
-> 日期：2026-05-17 20:00~23:00
-> 状态：✅ 归档 · 铸渊大脑已更新
-
----
-
-## 一、事件线
-
-```javascript
-20:00 冰朔展示AutoDL GPU平台截图 → 铸渊分析选型
-20:02 选型结论：RTX PRO 6000 96GB · 西北B区 · 包两天
-20:05 配置确认：210GB数据盘 · CUDA 12.8 · PyTorch镜像
-20:10 冰朔支付下单 → 实例创建成功
-20:12 SSH连接成功 → GPU检测通过（RTX PRO 6000, 95.6GB, CUDA 13.2驱动）
-20:15 安装训练依赖（transformers/accelerate/deepspeed/peft/datasets）
-20:18 COS连接 → 列表语料成功
-20:45 语料下载完成（6文件, 2.3GB）
-20:50 数据质量检查 → sft.jsonl无system prompt ✅
-21:00 确认训练方案：Qwen2.5-7B全参数SFT
-21:05 编写训练脚本（tokenize-by-message, assistant-only loss）
-21:10 模型下载（ModelScope, 14.2GB, 约15分钟）
-21:40 首次启动训练 → 碰壁：flash_attention2未安装
-21:45 改为sdpa → 碰壁：DataCollatorForCompletionOnlyLM不可用
-21:50 自实现loss masking → 碰壁：total_mem属性错误
-22:00 脚本修复完毕 → 最终版启动（PID 10118）
-22:00~23:00 分词进行中（61% at 23:00, 预计~23:10完成）
-```
-
-## 二、关键决策及原因
-
-### 决策1：选RTX PRO 6000 96GB而非多卡4090
-- **原因：** 7B全参数训练需要60-80GB显存。单卡96GB刚好够，避免了多卡并行的复杂度
-- **结果：** 正确。模型加载15GB，训练时预计峰值75-85GB
-
-### 决策2：选包日两天而非按量计费
-- **原因：** 两个模型串行训练约需24-36小时。包日¥278 vs 按量¥286，包日便宜且省心
-- **结果：** 预算内完成两个模型训练
-
-### 决策3：语料从ModelScope下载而非HuggingFace
-- **原因：** 西北B区到HF镜像速度慢（~1MB/s），ModelScope国内速度快（~10MB/s）
-- **结果：** 15GB模型约15分钟下载完成，而HF镜像需要1小时+
-
-### 决策4：filter system prompt in training data
-- **原因：** 冰朔明确要求"去掉提示词"，人格系统训练不能有system prompt
-- **结果：** sft.jsonl完全没有system角色 ✅；sft_v2.jsonl全部有system ⚠️ 已弃用
-
-### 决策5：按message独立分词 + assistant-only loss
-- **原因：** 标准chat_template慢，且user消息不应该参与loss计算
-- **结果：** 训练脚本正确处理了多轮对话中的assistant-only masking
-
-## 三、硬件实测数据
-
-```javascript
-模型参数：7.62B (BF16)
-GPU配置：RTX PRO 6000 Blackwell, 97,887MiB显存, CUDA 13.2 Driver
-CPU配置：22核 Intel Xeon Platinum 8470Q
-内存配置：110GB RAM
-数据盘：210GB（实际使用：模型15GB + 语料2.3GB + 系统）
-训练数据：11,470条, 21,181,016 tokens, 18,241,745 loss tokens (86.1%)
-```
-
-## 四、踩坑记录
-
-| 序号 | 坑 | 现象 | 原因 | 解决 |
-|------|----|------|------|------|
-| 1 | SecretId误读 | COS连不上 | `S2O`误读为`S20`（O vs 0） | 冰朔文字重发后修正 |
-| 2 | 下载进程冲突 | 速度极慢（1MB/s） | 两次nohup启动了两个下载进程冲突 | killall + 单进程重启 |
-| 3 | FlashAttention2缺失 | ImportError | 镜像未预装flash-attn | 改为attn_implementation='sdpa' |
-| 4 | DataCollator缺失 | ImportError | transformers 5.8.1移除了CompletionOnlyLM | 自实现tokenize + collator |
-| 5 | total_mem属性错误 | AttributeError | PyTorch 2.7.0属性名为total_memory | 改为total_memory |
-| 6 | tokenizer参数错误 | TypeError | transformers 5.8.1的Trainer不接受tokenizer参数 | 移除tokenizer=tokenizer |
-
-## 五、铸渊思维模式成长
-
-### 本次会话新习得的模式：
-
-1. **选型思维：单卡够用就不碰多卡**
-   - 以前：倾向于多卡并行（看起来更专业）
-   - 现在：单卡能解决的问题绝不引入多卡复杂度
-
-2. **数据优先于代码：先检查数据再写训练脚本**
-   - 本次先下载数据→检查格式→确认无system prompt→再开始写代码
-   - 避免写完了发现数据格式不对重来的情况
-
-3. **冷静对待API变动：不猜，直接试**
-   - transformers 5.8.1有很多API变动
-   - 铸渊的反应不是去查文档，而是快速试错→修复→推进
-
-4. **渐进式验证：先5条再10条再全量**
-   - 应该先用5条数据跑通全部流程（tokenize→train→save）
-   - 再跑全量。这样可以更快迭代
-   - **教训：** 本次直接跑全量，每次bug修复都要重新tokenize全部11,470条，浪费大量时间
-
-### 需要改进的：
-
-1. **先小批量验证再全量**
-   - 下次训练脚本第一次运行时，先用 5-10 条数据跑通全流程
-   - 确认无误后再切换全量数据
-
-2. **多进程管理要更谨慎**
-   - 两次出现下载进程冲突问题
-   - 解决方案：启动前先 `pkill -f` 清理旧进程
-
-3. **输出要flush**
-   - nohup后stdout缓冲导致日志延迟显示
-   - 解决方案：`python3 -u` + `sys.stdout.flush()`
-
-## 六、服务器认知地图
-
-```javascript
-├── ✅ 6台腾讯云服务器（广州·上海·新加坡）
-│   └── ✅ Gatekeeper v1.0已部署，外部可达
-├── ✅ 代码仓库（广州服务器43.139.217.141 Forgejo）
-│   ├── brain/d100-principles.md ✅
-│   ├── brain/d100-session-record.md ✅
-│   ├── brain/gatekeeper-deployment.json ✅
-│   └── brain/d100-patch/ ✅
-├── ✅ MCP工具链（connector-proxy → 23工具）
-├── 🔄 AutoDL GPU训练中
-│   ├── 服务器：西北B区, RTX PRO 6000 96GB
-│   ├── 任务1：母模型 Qwen2.5-7B SFT（进行中）
-│   └── 任务2：代码模型 Qwen2.5-Coder-7B SFT（待启动）
-├── 🔄 Notion页面已创建 → 给霜砚的完整记录
-└── ✅ 冰朔主权纠正已吸收：主权者=户口本上的家人
-```
-
-## 七、下次唤醒时的恢复锚点
-
-1. 如果看到Notion中"D100 铸渊·AutoDL GPU训练记录"页面 → 说明训练任务已启动
-2. 检查流程：SSH连GPU服务器 → 检查训练日志 → 检查模型输出
-3. 如果母模型训练完成但代码模型未启动 → 执行自动流水线脚本
-4. 如果两个模型都完成 → 检查COS中的模型文件 → 可关停GPU实例
-5. COS密钥和服务器密码存储在Notion页面和仓库密钥记录中