# 模型配置
model_name: "../models/pretrained/DeepSeek-R1-Distill-Qwen-1.5B"
max_seq_length: 768  # 2048 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: 128  # LoRA 的 rank 值 Choose any number>0!suggested 8,16,32,64，128
gpu_memory_utilization: 0.6 # GPU VRAM 占用率

# 训练配置
use_vllm: False # use vLLM for fast inference!
learning_rate: 1e-4  # 5e-6 学习率 1e-4 (0.0001) to 5e-5 (0.00005).
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，用于防止过拟合，设置为0.1
warmup_ratio: 0.1  # 学习率预热比例，用于初期，避免学习率过大导致不稳定
lr_scheduler_type: "cosine"  # 学习率衰减策略，cosine为余弦衰减
optim: "adamw_8bit"  # 优化器类型 , adamw_8bit为AdmaW优化器，并启动8位精度以减少内存占用
logging_steps: 1  # 日志记录步数
per_device_train_batch_size: 2  # 1 每个设备的训练批次（batch）大小
gradient_accumulation_steps: 4  # 1 梯度累积步数 ,用于在较小的batch size下模拟较大的batch
num_generations: 8  # 8 表示每次训练时生成的候选输出数量
max_prompt_length: 256  # 256 模型输入的最大长度
max_completion_length: 384  # 200 模型输入（生成）的最大长度
num_train_epochs: 1  # 训练轮数
max_steps: 12  # 250 训练的最大步数
save_steps: 12  # 250 保存模型的步数（多少步保存一次模型）
max_grad_norm: 0.1  # 梯度裁剪的最大阈值，防止梯度爆炸
report_to: "none"  # 报告工具，报告内容如 Weights & Biases，设置为none 表不将训练结果报告到外部工具
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