Upload app.py

app.py

@@ -344,10 +344,9 @@ TOTAL_RAM_GB = psutil.virtual_memory().total / (1024 ** 3)
 # ===============================================================
 # Ajuste de performance (auto/manual)
 # ===============================================================
-OMP_THREADS_UTILIZATION = 0.98
+OMP_THREADS_UTILIZATION = 0.95
 DETECTION_PERFORMANCE = "auto"  # "auto" | "manual"
 CORES_UTILIZATION = 1.0
-
 # --------------------
 def compute_effective_cores(cpu_count: int, utilization: float) -> int:
     eff = int(math.floor(cpu_count * utilization))
@@ -355,7 +354,6 @@ def compute_effective_cores(cpu_count: int, utilization: float) -> int:
 
 
 EFFECTIVE_LOGICAL_CPUS = compute_effective_cores(LOGICAL_CPUS, CORES_UTILIZATION)
-
 # --------------------
 # --- Detectar núcleos P/E ---
 _DET_P_full, _DET_E_full, _META = detect_core_types()  # Renomeado para indicar que são os full detections
@@ -364,8 +362,6 @@ _DET_P_full, _DET_E_full, _META = detect_core_types()  # Renomeado para indicar
 _DET_P = [i for i in _DET_P_full if i < EFFECTIVE_LOGICAL_CPUS]
 _DET_E = [i for i in _DET_E_full if i < EFFECTIVE_LOGICAL_CPUS]
 
-
-
 # ===============================================================
 # Ajuste entre modo auto/manual (apenas meta-informação de arranque)
 # ===============================================================
@@ -555,7 +551,7 @@ BASE_BATCH_SIZE = 1                          # Valor base para o batch size (red
 INITIAL_ACCUMULATION_MIN_STEPS = 2
 INITIAL_ACCUMULATION_MAX_STEPS = 4
 BASE_EVAL_SIZE = 5                           # Batch size para avaliação (reduzido para CPU)
-BASE_LEARNING_RATE = 5e-5                    # 2e-5
+BASE_LEARNING_RATE = 1e-4                    # 2e-5
 LR_SCHEDULER_TYPE = "constant_with_warmup"   # (HF: cosine + warmap) cosine
 WARMUP_RATIO = 0.03                          # ~3% dos 4012 steps ≈ 120
 LOGGIN_STEPS = 5
@@ -846,9 +842,6 @@ def log_step(msg, step=None, percent=None):
     training_logs.append(f"{prefix} {msg}{progress}{pct}")
  
 #---------------------------------------------------------------
-# Pega o logger padrão do Python
-# logger = logging.getLogger(__name__) # (Comentado porque você usa funções customizadas)
-# Global trackers para o cálculo de tempo
 g_last_step_time = [time.time()]
 g_last_step_logged = [-1]
 
@@ -907,7 +900,7 @@ class SimpleStepTimerCallback(TrainerCallback):
                  logging.info(f">> {msg}")
         
         # Opcional: Registar também na sua lista de logs geral, usando log_info.
-        # log_info(msg)
+        log_info(msg)
 
 #----------------------------------------------------
 # Callback para logs detalhados do treino
@@ -1424,7 +1417,7 @@ def train_model_lora(
             #gradient_checkpointing=True,
             max_grad_norm=1.0,
             report_to="none",
-            save_total_limit=3,
+            save_total_limit=0,
             seed=42,
         )
 #------------------------------------------------------------