Blame for code/README.md

# laya-ad v2.2 代码

单模型四头结构（二分类 + 7 类 kind + scope + severity）的加载、推理与训练代码。模型权重在仓库根目录的精度子目录：`fp32/`、`fp16/`、`bf16/`、`fp8/`、`int8/`、`int4/`。

## 文件

| 文件 | 说明 |
|---|---|
| `scripts/dual_head_model.py` | `DualHeadModernBert` 四头结构 + `load_dual_head_any()`（自动识别 fp32/fp16/bf16/fp8/int8/int4） |
| `scripts/predict_dual_head.py` | CLI 推理：输出 is_ad / kind / scope / severity |
| `scripts/train_multi_head.py` | 四头训练（含 `--freeze_encoder --freeze_binary --freeze_kind --ad_only` 头级微调） |
| `scripts/build_optimized_dataset.py` | 合并/去重/广告过采样/稀有 kind/severity 补齐（`--gmeow` 接入 gmeow 封禁广告语料，`--gmeow_val_texts` 留出防泄漏 val） |
| `scripts/build_teacher_dataset.py` | teacher 清洗数据切分 |
| `scripts/build_cleaned_dataset.py` | teacher 原始输出转训练格式 |
| `scripts/clean_with_teacher.py` | jev teacher 清洗脚本（参考） |
| `scripts/eval_4head_variants.py` | 六精度变体评测 |
| `scripts/eval_v22_vs_v21.py` | 跨版本对比评测（teacher_holdout / earlier_val / gmeow_val128） |

旧的 v1.1/v2 脚本仍保留在 `scripts/` 中，供历史参考。

## 加载

```python
import sys, torch
from transformers import AutoTokenizer

sys.path.insert(0, "code/scripts")
from dual_head_model import load_dual_head_any

tok = AutoTokenizer.from_pretrained("bf16")
model = load_dual_head_any("bf16", device="cpu", dtype=torch.bfloat16)
```

## 推理

```bash
cd code/scripts
python predict_dual_head.py --model ../../bf16 --text "日入500+，宝妈学生均可，私聊领教程"
```

输出字段：

```json
{"is_ad": true, "p_ad": 0.9999, "kind": "scam", "kind_probs": {...},
 "scope": "message", "scope_probs": {...},
 "severity_score": 2.96, "severity_probs": {...}}
```

- `scope`：account / message
- `severity_score`：0–3 的期望值（服务端 Jev API 同口径）

## 数据格式（训练脚本参考）

四头训练数据：

```json
{"text": "...", "label_bin": 0, "label_kind": 5, "label_scope": 0, "label_sev": 3}
```

- `label_bin`：0=ad，1=normal
- `label_kind`：0..6（crypto/gambling/porn/porn_bait/promo/scam/spam_flood）或 -100
- `label_scope`：0=account，1=message，-100 忽略
- `label_sev`：0..3，-100 忽略（normal 的 scope/severity 由二分类 gate 处理）

`build_optimized_dataset.py` / `clean_with_teacher.py` 的输入路径是内部数据布局，公开仓库只保留脚本作为方法参考，不附带数据。