add lightweight model training skill

2026-05-28 20:06:21 +08:00
parent 98b3e586de
commit 4665b9a632
3 changed files with 353 additions and 0 deletions
@@ -0,0 +1,80 @@
+# ZK SFT 默认训练配方
+
+当前轻量训练默认复用 `model-iteration` 的 SFT 提交流程，但只使用其中的训练提交能力。
+
+## 训练脚本
+
+```text
+skills/model-iteration/scripts/prepare_and_train_sft.py
+skills/model-iteration/scripts/resolve_run_ids.sh
+skills/model-iteration/scripts/submit_sft.sh
+skills/model-iteration/scripts/submit_cml_eval.sh
+skills/model-iteration/scripts/sft_train_job.yaml.tpl
+skills/model-iteration/assets/config.yaml
+```
+
+## 默认基模
+
+```text
+/mnt/wangsenhao/verl_zk/Qwen3-4B-Instruct-2507
+```
+
+`sft_train_job.yaml.tpl` 内固定从该基模启动 SFT。不要从上一轮 `sft_output` 续训，除非用户明确改变训练策略。
+
+## 默认数据仓库
+
+```text
+git@git.n.xiaomi.com:ai-service/ai-planning.git
+branch: autoresearch-v1
+```
+
+训练脚本会扫描：
+
+```text
+ai-planning/data/train_set/*/*.jsonl
+```
+
+其中 `*_valid.jsonl` 会作为验证数据，其余训练 jsonl 进入训练集。
+
+## 默认远端工作区
+
+```text
+/mnt/wangsenhao/autoresearch-zk-users/<owner>/<run_name>
+```
+
+训练产物：
+
+```text
+<workspace>/sft_output/
+<workspace>/sft_output/_SUCCESS
+```
+
+## CML 环境
+
+CloudML CLI 通常位于：
+
+```bash
+source ~/.cloudml-cli/.profile
+```
+
+该 profile 会设置：
+
+```bash
+PATH=$HOME/.cloudml-cli/bin:$PATH
+CLOUDML_CONFIG=$HOME/.config/cloudml/config.yaml
+```
+
+检查命令：
+
+```bash
+cml config show
+cml custom_train describe <JOB_ID>
+```
+
+## 常见坑
+
+- Jupyter POST 请求缺少 `_xsrf`：从 cookie 取 `_xsrf`，请求头带 `X-XSRFToken`。
+- websocket 证书校验失败：内网证书场景可在客户端禁用证书校验，但不要降低服务端安全配置。
+- `which cml` 为空：先 `source ~/.cloudml-cli/.profile`。
+- `resolve_run_ids.sh` 没有 `RUNDIC`：只使用 `SFT_RUNDIC` / `EVAL_RUNDIC`。
+- git clone 看似卡住：先检查目标目录是否已经完整、是否存在残留进程，不要重复提交训练。