La z-loss ya no duplica la matriz de logits

La verificación previa contra la 2060 real hizo fallar el pre-entrenamiento por
falta de memoria: 11,19 de 11,56 GB en uso. La causa es que la z-loss indexaba
los logits con una máscara booleana antes del logsumexp, y eso copia la matriz
completa. Con vocabulario de 32k y lotes de 16k tokens son 2 GB de más.

Ahora el logsumexp se calcula sobre todas las filas y el filtro se aplica al
vector resultante, que tiene una entrada por token en vez de una por token y
clase. El resultado numérico es idéntico.

Encontrado por la verificación previa, no por los tests: los tests corren en CPU
con modelos diminutos, donde estos 2 GB son unos pocos megabytes.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

enlace/model/transformer.py

@@ -217,11 +217,19 @@ class Transformer(nn.Module):
 
         # z-loss: penaliza que los logits crezcan en magnitud absoluta. Es lo
         # que impide que el softmax sature y desborde entrenando en fp16.
+        #
+        # El logsumexp se calcula sobre todas las filas y recién después se
+        # filtra. Indexar antes (`flat_logits[valid]`) copiaría la matriz
+        # entera de logits — con vocabulario de 32k y lotes de 16k tokens eso
+        # son 2 GB de más, suficiente para que la corrida no entre en una 2060.
+        # Filtrar el vector resultante, de una entrada por token, no cuesta nada.
         if self.cfg.z_loss_weight > 0.0:
+            z = torch.logsumexp(flat_logits, dim=-1)
             valid = flat_targets != -100
-            if valid.any():
-                z = torch.logsumexp(flat_logits[valid], dim=-1)
+            if valid.all():
                 loss = loss + self.cfg.z_loss_weight * z.pow(2).mean()
+            elif valid.any():
+                loss = loss + self.cfg.z_loss_weight * z[valid].pow(2).mean()
 
         return logits, loss