# 模型配置
model_name: "../models/pretrained/DeepSeek-R1-Distill-Qwen-1.5B"
max_seq_length: 6144  # 单次会话的最大 token 长度
dtype: "float16"  # 数据类型，可选 "float16" 或 "bfloat16"
load_in_4bit: True  # 是否以4位精度加载模型
fast_inference: False # Enable vLLM fast inference
lora_rank: 64  # LoRA 的 rank 值
gpu_memory_utilization: 0.6 # GPU VRAM 占用率

# 训练配置
use_vllm: False # use vLLM for fast inference!
learning_rate: 5e-6  # 学习率
adam_beta1: 0.9  # Adam 优化器的 beta1 参数
adam_beta2: 0.99  # Adam 优化器的 beta2 参数
weight_decay: 0.1  # 权重衰减
warmup_ratio: 0.1  # 学习率预热比例
lr_scheduler_type: "cosine"  # 学习率调度器类型
optim: "adamw_8bit"  # 优化器类型
logging_steps: 1  # 日志记录步数
per_device_train_batch_size: 1  # 每个设备的训练批次大小
gradient_accumulation_steps: 1  # 梯度累积步数
num_generations: 8  # 每次生成的输出个数
max_prompt_length: 256  # 输入提示的最大长度
max_completion_length: 200  # 生成内容的最大长度
num_train_epochs: 1  # 训练轮数
max_steps: 250  # 最大训练步数
save_steps: 250  # 保存模型的步数
max_grad_norm: 0.1  # 最大梯度范数
report_to: "none"  # 报告工具，如 Weights & Biases
output_dir: "../models/outputs"  # 输出目录

# 数据配置
train_data_path: "../data/processed/train.jsonl"  # 训练数据路径
save_path: "../models/trained/DeepSeek-R1-Distill-Qwen-1.5B-GRPO"  # 模型保存路径