# ==============================================================================
# 步骤 2.5: 预缓存模型和分词器 (v3 - 最终修正版)
#
# 目的：绕过 "slow-to-fast" 转换错误。
# (!!) 关键修改: 明确使用 `DebertaV2Tokenizer`，不再使用 `AutoTokenizer`
# ==============================================================================

# (!!) 关键修改
from transformers import DebertaV2Tokenizer, AutoModelForSequenceClassification
import os

os.environ["TOKENIZERS_PARALLELISM"] = "false"
MODEL_NAME = "microsoft/deberta-v3-base" 

print(f"--- 正在预下载并缓存 {MODEL_NAME} ---")
print("这可能需要几分钟，请稍候...")

try:
    print("正在下载分词器 (Tokenizer)...")
    # (!!) 关键修改: 不再使用 AutoTokenizer
    # 我们直接指定使用 DebertaV2Tokenizer
    # 这需要你先运行: pip install sentencepiece
    tokenizer = DebertaV2Tokenizer.from_pretrained(MODEL_NAME)
    print("分词器下载完成。")

    print("正在下载模型 (Model)...")
    model = AutoModelForSequenceClassification.from_pretrained(MODEL_NAME, num_labels=2)
    print("模型下载完成。")

    print(f"\n--- 成功！所有 {MODEL_NAME} 的文件已缓存到本地。 ---")
    print("你现在可以安全地运行多GPU训练脚本了。")

except ImportError:
    print("\n--- 依赖缺失错误 ---")
    print("请先运行: pip install sentencepiece")
except Exception as e:
    print(f"\n--- 下载失败 ---")
    print(f"错误详情: {e}")
    print("请再次检查你的服务器网络连接。")