## BABILong（QA1 / 32k）数据处理与训练数据流说明

本文档描述当前仓库里 **BABILong QA1（32k.json）** 在训练脚本中的实际处理方式：从原始 JSON，到 tokenizer、padding、labels、DataLoader，再到喂给 `QwenTitansForBABILong` 的整条数据流。

代码入口：

- `examples/train_qwen_titans_babilong.py`

---

## 数据源与样本格式

默认数据路径（可改）：

- `TrainingConfig.data_path = /data/yty/BABILong/babilong-train-5k-samples/data/qa1/32k.json`

文件内容为一个 JSON 列表，每条样本大体包含：

- `input`：长上下文（故事/事实）
- `question`：问题
- `target`：答案（短文本）

训练脚本会把它拼成 prompt：

```
{input}

Question: {question}
Answer:
```

并把答案拼接为（答案前加空格）：

```
 {target}
```

---

## 关键目标：固定长度样本（FSDP/DDP 必须）

当前实现 **强制每条样本输出固定长度 `config.max_length`（默认 32768）**，原因：

- 模型前向会按 `chunk_size` 把序列分 chunk 循环处理
- 在 FSDP/DDP 下，如果不同 rank 的序列长度不同 → chunk 数不同 → collectives 顺序不一致 → NCCL watchdog 超时

因此数据侧必须固定长度，保证每步每个 rank 的 chunk 次数一致。

相关参数：

- `TrainingConfig.max_length`：固定输出长度（默认 32768）
- `TrainingConfig.answer_reserve_tokens`：给答案预留 token 数（默认 64）

---

## Dataset：`BABILongDataset.__getitem__` 的处理流程

位置：`examples/train_qwen_titans_babilong.py`

### Step 1：tokenize prompt（截断）

- 对 prompt 进行 tokenize
- 最大长度限制为 `max_length - answer_reserve_tokens`
- `add_special_tokens=True`（让 tokenizer 自己加 BOS/EOS 等需要的特殊 token）

### Step 2：tokenize answer（不加特殊 token）

- 对 `" {target}"` tokenize
- `add_special_tokens=False`

### Step 3：拼接并截断到 `max_length`

- 先算 prompt token 数 `len(prompt_ids)`
- answer 只保留剩余可用空间：`available = max_length - len(prompt_ids)`
- `input_ids = concat(prompt_ids, answer_ids[:available])`

### Step 4：构造 `labels`（只监督答案）

- `labels` 初始全为 `-100`
- 只有答案 token 的位置才写入对应 token id
- 这样 loss 只在答案 token 上计算（prompt 与 padding 不参与 loss）

### Step 5：padding 到固定长度 + attention_mask

如果拼接后长度 `< max_length`：

- `input_ids` 右侧 pad 到 `max_length`（pad_id = tokenizer.pad_token_id）
- `labels` pad 的部分保持 `-100`
- `attention_mask`：
  - 真 token 为 1
  - padding 为 0

> 备注：脚本在 `main()` 里如果发现 `tokenizer.pad_token is None`，会设置 `pad_token = eos_token`，确保有 pad_id。

---

## DataLoader 与分布式采样

### DataLoader

- `batch_size = 1`（32k 序列 + chunk streaming，一般只能 1）
- `collate_fn` 只做 stack（Dataset 已固定长度，不做动态 padding）
- `num_workers = 0`（避免多进程复制大张量带来的额外开销/不稳定）

### 训练/验证切分

- `random_split(full_dataset, [train_size, eval_size], generator=manual_seed(config.seed))`
- 默认 `train_ratio=0.9`

### 分布式（torchrun）

当使用 `torchrun` 启动时：

- 训练集：`DistributedSampler(..., shuffle=True, seed=config.seed)`
- 验证集：`DistributedSampler(..., shuffle=False)`
- 每个 epoch 会调用 `train_sampler.set_epoch(epoch)`，保证各 rank shuffle 一致

---

## 喂给模型的数据张量形状

由于固定长度：

- `input_ids`: `[B, max_length]`（默认 `[1, 32768]`）
- `attention_mask`: `[B, max_length]`
- `labels`: `[B, max_length]`

模型内部再按 `chunk_size`（默认 4096）切成 8 个 chunk 进行 streaming。

---

## 训练与日志（跟数据流相关的行为）

- **梯度累积**：`gradient_accumulation_steps=8`
  - 每 8 个 micro-batch 才做一次 optimizer step
- **每 80 个 batch 输出一次**：
  - `--log_every_batches 80`（默认 80）
  - 会自动换算成 `logging_steps = ceil(log_every_batches / gradient_accumulation_steps)`
  - 并在 rank0 额外 `logger.info(...)` 打一行到终端，方便 `tee` 保存

---

## 运行方式（推荐）

### 8 卡 + FSDP

```bash
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 \
torchrun --standalone --nproc_per_node=8 \
  examples/train_qwen_titans_babilong.py --fsdp --log_every_batches 80
```

### 快速小跑（2 卡调试）

```bash
CUDA_VISIBLE_DEVICES=0,1 \
torchrun --standalone --nproc_per_node=2 \
  examples/train_qwen_titans_babilong.py --fsdp --max_samples 8 --num_epochs 1 --eval_steps 1000000
```

---

## 训练产物（输出）

默认输出目录：

- `TrainingConfig.output_dir = ./outputs/qwen_titans_babilong`

默认只保存一个 final checkpoint（覆盖写入）：

- `final_memory_checkpoint.pt`

内容包括：

- `memory_state_dict`：只包含 `long_term_memory` / `memory_gate` 的参数（体积更小）
- `global_step`