README.md

---
license: other
tags:
  - proof-pilot
  - olmo3
  - dflash
  - speculative-decoding
  - on-policy-distillation
  - gptq
  - quantization
---

# proof-pilot deploy bundle (private)

內部部署用模型打包。所有子資料夾都是 `Olmo3SinkForCausalLM`（olmo3_sink，DeepSeek-V4-Flash transplant tokenizer，vocab 129280）家族，共用 tokenizer。

| 子資料夾 | 模型 | 說明 |
|---|---|---|
| `soft-distill-7b-deploy/` | stage1-v2-7b soft-distill v2 (deploy) | off-policy soft distillation 完成版（bf16），含 tokenizer + chat template |
| `soft-distill-32b-deploy/` | stage1-v2-32b soft-distill v2 (deploy) | 32B off-policy soft distillation（bf16, rope-legacy deploy config），含 tokenizer + chat template |
| `opd-32b-deploy/` | **32B agentic OPD v2 — v33 / job 135076 / step_200** | **on-policy distillation**（teacher = DeepSeek-V4-Flash），student lineage = stage1-v2-32b-softdistill-v2test（GQA-8, YaRN）。bf16 deploy（rope-legacy config + hybrid-SWA）+ tokenizer + chat template。**目前部署主檔**。IMO-ProofBench v2 agentic-loop（prove→verify→refine→select）量到 **4.48/7**（grader = flash，僅供內部相對比較）。版本來龍去脈見下方「OPD 32B 版本說明」。 |
| `opd-32b-v33-s150/` | **32B agentic OPD v2 — v33 / job 135076 / step_150** | 與 `opd-32b-deploy`（step_200）**同一條健康 run** 的較早 checkpoint，可做 s150 vs s200 比較。同 deploy 格式（bf16 / rope-legacy / hybrid-SWA）+ tokenizer + chat template。 |
| `opd-32b-v33-s200-gptq-w4a16/` | **`opd-32b-deploy`（step_200）的 GPTQ-w4a16 量化版** | int4 weight-only（compressed-tensors，int4 sym group-128 GPTQ）+ **校準的 fp8 KV scale**。**18.74GB**（bf16 65GB→int4，4 shards + index）。calibration 對齊 inference：sink-on + long-ctx(10240) + factor-32 YaRN。serve = sglang `olmo2_sink` + triton(sm120)/fa3(H200) + `--kv-cache-dtype fp8_e4m3`。詳見下方「GPTQ 量化版」。 |
| `opd-32b-v33-s150-gptq-w4a16/` | **`opd-32b-v33-s150`（step_150）的 GPTQ-w4a16 量化版** | 與 s200 gptq **同配方**（int4 sym group-128 GPTQ + sink-on calib + long-ctx 10240 + factor-32 YaRN + 校準 fp8 KV scale）。**18.74GB**（4 shards + index）。serve 同 s200。可做 s150 vs s200 量化版比較。 |
| `dflash-7b-draft/` | DFlash draft for 7B target | SGLang 可部署 draft（speculative decoding） |
| `dflash-32b-draft/` | DFlash draft for **stage1-v2-32b** target (s5317) | SGLang 可部署 draft；對齊舊 32B deploy target |
| `dflash-32b-draft-v2test/` | DFlash draft for stage1-v2-32b-softdistill-v2test — **phase-1 warm-up（非 final）** | curriculum **phase-1 短 context warm-up**（step-10000 快照）。SWA512 / block_size 11 / 8L / GQA-8。**部署請用下方 `dflash-32b-draft-v2test-phaseL`。** |
| `dflash-32b-draft-v2test-phaseL/` | **DFlash draft for stage1-v2-32b-softdistill-v2test — phase-2 final（部署推薦）** | curriculum **phase-2 長 context 特化**（job 140680，warm-start 自 phase-1）：train data = 真實長 proof 部署分佈（OPD 32B rollouts finish_reason=length filtered + dsflash-v2-test teacher proofs，micro 65536）、GAMMA 20。step_3000 完整收尾，acc 0.605 / greedy mean_prefix_len 4.90。SWA512 / block_size 11 / 8L / GQA-8。serving accept ~3.1–4.1（單流，dev H200）。 |
| `dflash-32b-draft-v2test-phaseL-int4mlp/` | **phase-L draft 的 int4-MLP 量化版** | `dflash-32b-draft-v2test-phaseL` 的 **MLP（gate/up/down）量成 compressed-tensors int4**（RTN W4A16 g128），qkv/o + sink/fc/mask_embed 留 bf16（保 DFlash fused-KV）。**4.82→2.30GB（−55%）**。sglang DFLASH 部署實測：載成 int4（weight mem 2.16GB）、`fused KV materialization ENABLED`、accept 3.1–4.1（== bf16 draft）、單流比 bf16 draft **+2~15% tok/s**。serve 需 patched `dflash_sink.py`（thread quant_config→MLP）+ `--speculative-draft-model-quantization compressed-tensors`。詳見 `docs/quantization.md §13`。 |
| `dflash-32b-draft-v2test-phaseL-int4mlp-gptq/` | **phase-L draft 的 int4-MLP GPTQ 版** | 同上 int4-MLP，但用 **GPTQ**（full-rank target-hidden Hessian, 26130 rows）取代 RTN——strictly 更準（weighted-err **−69%** vs RTN）。部署完全相同（compressed-tensors int4、`fused-KV ENABLED`、accept ~3.0–3.8 == RTN/bf16）、**2.30GB**。註：draft accept 已貼 bf16 lossless-verify 天花板，RTN/GPTQ 的 τ 統計等價；此版給要最高權重保真者。詳見 `docs/quantization.md §13`。 |

DFlash draft 只含 `config.json` + `model.safetensors`（已 reshard 成多 shard），需搭配**對應的** target 模型使用（注意 v2test draft 對應 v2test target，與舊 `dflash-32b-draft` 的 target 不同）。

### DFlash 32B v2test curriculum（phase-1 → phase-2）

v2test target 的 draft 走兩段式 curriculum：

- **phase-1（`dflash-32b-draft-v2test/`）**：短 context warm-up（DATA=l4-g2-ml4096、micro 8192），便宜暖身、acc ~0.64。**非部署用 final，僅 curriculum 暖身快照。**
- **phase-2（`dflash-32b-draft-v2test-phaseL/`）**：warm-start 自 phase-1，於**真實長 proof 部署分佈**（OPD 32B rollouts + dsflash teacher proofs、micro 65536）長 context 特化。**這顆才是對 OPD/soft-distill 32B target 部署用的 draft。**

## OPD 32B 版本說明（哪個是哪個）

agentic semi-on-policy OPD 32B（student = stage1-v2-32b-softdistill-v2test、teacher = DeepSeek-V4-Flash）一共訓練過兩次：

- **V32 = job 134244**：在 step ~148–158 因 length 自我放大崩盤（eos 90%→13%、cap-hit→87%）後喊停，最後 checkpoint 只到 step_150。**此 run 的權重未收進本 bundle。**
- **V33 = job 135076**：加了 cap-hit admission filter（+ fast sharded save + 拓樸 rebalance），健康跑到 step 237 後（user）喊停，存了 step_150 與 step_200。**本 bundle 的 `opd-32b-deploy`（= step_200）與 `opd-32b-v33-s150`（= step_150）都來自這條 run。**

> ⚠️ 先前版本的 card 把「step ~158 喊停」誤接在 step_200 上——那是 V32（134244）的崩盤，與本 bundle 的 step_200（來自 V33/135076）無關，已更正。

> ⚠️ V33 的 cap-hit filter 是在**訓練端**減緩 length 自我放大、讓 run 不崩；蒸餾出的 student **在推理時仍帶 OPD reverse-KL 的 loop 傾向**（例如 refine 階段思考會落入重複吸引子、一路衝到 token cap）。這是 OPD reverse-KL 的通性，與「run 停在第幾步」無關。

### 部署權重的產生方式（s150 / s200 同一 recipe）

```bash
# step_NNN 訓練 checkpoint（DCP + consolidated hf/）→ serve-ready deploy dir
python deploy/make_olmo3sink_deploy.py \
  --src training/opd_v2/runs/agentic_32b_lc140k_v33/checkpoints/step_000NNN/hf \
  --dst outputs/agentic_32b_lc140k_v33-sNNN-deploy
python deploy_kaggle/enable_swa_config.py outputs/agentic_32b_lc140k_v33-sNNN-deploy
```

## GPTQ 量化版（`opd-32b-v33-s200-gptq-w4a16`）

`opd-32b-deploy`（step_200 bf16）的 4-bit 部署版，給 Kaggle RTX 6000 Pro（sm120）等 VRAM 受限環境。**18.74GB**（bf16 65GB → int4，4 shards + index）。也同步上傳為 Kaggle private model `threerabbits/opd-32b-v33-s200-gptq-w4a16`。

**量化配方（刻意對齊 serving 分布、消除 calib/infer mismatch）**：llm-compressor GPTQ，scheme W4A16（int4 / symmetric / group_size 128 / Hessian 誤差補償），`lm_head`/embed/norm/sink 保 bf16。calibration：

- **sink-on**：gpt-oss attention sink 進 eager calib forward（= sglang serve 端的算法；trained sink logit mean ~+6.7，非可忽略，故 calib 必須帶 sink）
- **long-context seqlen 10240**：> YaRN original_max 8192 且 > sliding window 4096 → 吃到長程 / 高位置 post-YaRN K 分布
- **factor-32 YaRN rope**（deploy config 原樣）
- calib data = L4 訓練 bins（同 129280 transplant vocab），n=64

**KV cache**：含**校準的 fp8 per-tensor static k_scale / v_scale**（`kv_cache_scheme` 寫進 config），取代未校準的 scale=1.0。實測 k_scale 0.032–0.169（mean 0.061）、v_scale 0.0069–0.436（mean 0.161；深層 V 顯著大於淺層）。

**品質**（sink-on、serving regime、teacher-forced @8192、vs bf16 reference）：ppl **+0.13%**、top1_agree **0.975**、KL(bf16‖q) 0.011 —— 權重幾乎無損。

**Serving 注意事項**：

- sglang，bind-mount `deploy/target/olmo2_sink.py`（in-kernel sink），`--attention-backend triton`（sm120 唯一 sink-correct）或 `fa3`（H200），**`--kv-cache-dtype fp8_e4m3`** 才會載入校準的 k/v_scale。sglang 從 config 的 `quantization_config` 自動偵測 compressed-tensors，不需傳 `--quantization`。
- ⚠️ 校準的 KV scale（非 unit）與 **DFlash fused-KV ring 互斥**（DFlash 路徑遇 non-unit k/v_scale 會關掉 fused-KV）。要 DFlash spec-decode 時改用 unit-scale fp8 KV。
- `actorder=static` 但 checkpoint **0 個 g_idx**（重排已 bake、無 permutation 需套）→ marlin W4A16 與 humming W4A8 路徑皆安全。
- ⚠️ KV scale 在 calib 長度 10240 下校準；serving 到 256k 時極高位置的 K 若略超校準 amax，fp8 會 saturate（非 error）。