msaldain
90ac2a6582
Base del proyecto ENLACE: un modelo de lenguaje propio entrenado desde cero, en español, para asistencia general y familiar. El plan completo está en docs/PLAN.md. Esta etapa establece el andamiaje y lo verifica de punta a punta: - Configuración por capas (hardware × model × train × data) validada con pydantic. Ningún hiperparámetro vive en el código y una config inválida falla al arrancar, no a las tres horas de entrenamiento. - Perfiles de hardware que aíslan el salto de GPU: la RTX 2060 (Turing) no soporta bfloat16 ni FlashAttention-2, así que entrena en float16 con GradScaler y backend mem_efficient; el perfil de la 5090 ya está escrito. backends.py valida el perfil contra la GPU real antes de empezar. - Transformer decoder-only estilo Llama: RMSNorm, SwiGLU, RoPE, GQA, embeddings atados, QK-norm y z-loss. Los dos últimos son lo que mantiene estable el entrenamiento en float16. - Entrenador con schedule WSD, acumulación de gradiente, precisión mixta, checkpointing atómico y reanudación exacta. - Cargadores de datos con estado serializable: bytes para el smoke test y shards uint16 para el corpus real. 48 tests, entre ellos el crítico: reanudar desde un checkpoint reproduce los pesos de una corrida ininterrumpida, parámetro por parámetro. Verificado en CPU: 300 pasos sobre texto en español, loss 3.07 -> 1.63. Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
30 lines
592 B
YAML
30 lines
592 B
YAML
# Smoke test de la Etapa 0: minutos, no días.
|
|
#
|
|
# Criterio de aceptación: el loss baja por debajo de 1.5 y las muestras
|
|
# generadas son español reconocible. Si eso pasa, el stack entero está bien.
|
|
run_name: smoke-char
|
|
out_dir: runs
|
|
seed: 1337
|
|
|
|
max_steps: 2000
|
|
|
|
optimizer:
|
|
lr: 3.0e-3 # modelo diminuto: tolera y necesita un LR alto
|
|
beta1: 0.9
|
|
beta2: 0.95
|
|
eps: 1.0e-8
|
|
weight_decay: 0.1
|
|
grad_clip: 1.0
|
|
|
|
schedule:
|
|
kind: wsd
|
|
warmup_steps: 100
|
|
decay_steps: 400
|
|
min_lr_ratio: 0.0
|
|
|
|
log_every: 25
|
|
eval_every: 250
|
|
eval_batches: 10
|
|
checkpoint_every: 500
|
|
sample_every: 500
|