Haidass-Translate 实验记录
本仓记录 Haidass-Translate-143M 系列实验性训练版本的评测结果，与正式发布仓分离，供内部跟踪迭代。
v3（字幕手术 + 短句合成 + 错题本教师，4ep）
数据：cleaned_8m_v2 主数据 15 源（字幕手术版，净删 19.4 万对）+ 短句收尾合成 14.98 万对（Qwen3.6 生成）+ 错题本教师翻译 4,977 对，去重后 772.99 万对，双向展开训练 4 epochs（9,345 步，约 49 亿 tokens）。起步 loss 3.36，终 loss 1.69，全程 NaN 0 次，wall time 约 5 小时 13 分（16×Ascend910）。
成绩对比（sacrebleu，贪心解码，qwen3 chat 模板）
FLORES-200 dev（中英各 997 句）：
| 模型 | en→zh BLEU | en→zh chrF++ | zh→en BLEU | zh→en chrF++ |
|---|---|---|---|---|
| v3（本实验） | 27.32 | 19.02 | 15.63 | 41.87 |
| 现役 4ep 基线 | 27.56 | 19.27 | 17.17 | 43.20 |
| 5ep 终版（参考） | 27.35 | 19.08 | 17.08 | 43.12 |
FLORES+ devtest（中英各 1012 句）：
| 模型 | en→zh BLEU | en→zh chrF++ | zh→en BLEU | zh→en chrF++ |
|---|---|---|---|---|
| v3（本实验） | 27.98 | 19.19 | 15.46 | 41.78 |
| 现役 4ep 基线 | 28.48 | 19.45 | 17.01 | 42.69 |
| 5ep 终版（参考） | 26.97 | 19.02 | 16.80 | 42.63 |
短句压力测试（20 条手工用例，逐条见 v3_4ep/short_v3.log）
- ≤5 token 短句 10 条：全部正常收尾，未再出现不收尾（NO_STOP）或循环——此前版本的短句病理在压测口径下消除。
- 普通长度句 10 条：8 条正常，2 条出现循环不收尾（中英各一）。
- 需要说明：短句虽然都能停下来，但翻译质量仍不稳定（存在空输出、答非所问），短句合成数据解决了"停不下来"，还没有解决"译得好"。
结论
v3 数据配方（字幕手术 + 短句合成 + 教师翻译）：en→zh 与基线持平（BLEU 差 -0.2~-0.5），zh→en 回退约 1.5 BLEU（两个 benchmark 一致）。短句不收尾问题按设计目标修复，但综合成绩不支持替换现役 4ep 发版。zh→en 回退的归因候选：字幕手术删改了约 4% 语料（含大量短句）、合成短句的机器味目标侧、教师样本量过小（0.06%），需要消融确认，记入 v3.1 计划。
样例（FLORES-200 dev，src / ref / hyp）
en→zh：
Local media reports an airport fire vehicle rolled over while responding. ref：当地媒体报道，一辆机场消防车在响应火警时翻了车。 hyp：当地媒体报道，机场的消防车在反应后倒塌。
zh→en：
当地时间上午 9:30 左右 (UTC 0230)，JAS 39C 鹰狮战斗机撞上跑道并发生爆炸，导致机场关闭，商业航班无法正常起降。 ref：The JAS 39C Gripen crashed onto a runway at around 9:30 am local time (0230 UTC) and exploded, closing the airport to commercial flights. hyp：JAS 39C aircraft crashed into the runway and exploded, resulting in the closure of the airport and the inability to operate commercial flights.
周一，斯坦福大学医学院的科学家宣布，他们发明了一种可以将细胞按类型分类的新型诊断工具：一种可打印的微型芯片。这种芯片可以使用标准喷墨打印机制造，每片价格可能在一美分左右。 ref：On Monday, scientists from the Stanford University School of Medicine announced the invention of a new diagnostic tool that can sort cells by type: a tiny printable chip that can be manufactured using standard inkjet printers for possibly about one U.S. cent each. hyp：On Monday, Stanford University scientists announced that they have developed a new diagnostic tool that can classify cells in a way that is not only accurate, but also cost-effective: a miniature chip that can be printed using standard inkjet printing.
产物
- v3_4ep/scores_v3.txt：双 benchmark 双向 BLEU/chrF++ 原始输出
- v3_4ep/pred_v3_flores_dev.jsonl、pred_v3_floresplus_devtest.jsonl：逐句预测（src/ref/hyp）
- v3_4ep/short_v3.log：短句压测逐条记录
- HF 权重：16 卡机 /mnt/data1/mzy/eval_v3/hf_ckpt_v3（tar 包 md5 9c0efd0cfdf90dc1beb4d0740a77b46a，本机 mzy 工作区有副本）
工具·8 卡并行评测管线（tools/eval_pool.sh）
NPU 多卡并行评测 143M 级 SFT 模型的生产管线，2026-09-21 在 8×Ascend 910B3 上验证。原理：submit 自动把单 ckpt 的双向评测拆成 <名>.en-zh / <名>.zh-en 两个方向 job（eval_translate.py --direction），文件系统队列（pending/ → running/ → done|failed/，mkdir 原子抢占）调度到不同卡并行，后完工的 worker 原子合并两半预测并算分；每个 worker 绑死一张卡，支持每卡多实例。单 ckpt dev 墙钟 ~13min → ~7min，且分片合并结果与单进程逐字节一致（SHA-256 对拍验证）。
用法
eval_pool.sh submit <job名> <hf_dir> <think|htf> # HF 权重已就绪
eval_pool.sh submit-a3 <job名> <iter> <a3_ckpt目录> <think|htf> # 自动 scp+转HF+入队
eval_pool.sh submit-local <job名> <iter> <本地ckpt根目录> <think|htf>
eval_pool.sh start "0 1 2 3 4 5 6 7" 2 # 8 卡 × 2 实例 = 16 并发（默认配置）
eval_pool.sh status / results # 进度 / 分数汇总
环境变量可覆盖：EVAL_ROOT（工作区）、EVAL_DOCKER（容器名）、EVAL_A3_HOST、EVAL_SSH_KEY、EVAL_BATCH（不建议动）。
实测吞吐（143M 模型，dev 1994 句双向，910B3）
| 方案 | 单任务耗时 | 相对吞吐 |
|---|---|---|
| 独占 1 卡 batch 32（数值契约基准） | 548s | 1× |
| 方向分片（en→zh / zh→en 拆 2 卡并行，单 ckpt） | ~420s | 单任务墙钟减半 |
| 8 卡 × 1 实例 | 548s | 8× |
| 8 卡 × 2 实例（同卡并发各慢 ~18%） | ~650s | ~13.7× |
| batch 128 | 330s | 禁用（见下） |
tools/eval_translate.py 为配套生成脚本（pool worker 实际调用），单独使用时 --direction en-zh|zh-en 可只跑单方向，--rep-penalty / --no-repeat-ngram 控制解码，每个 pred 文件自动带 genconfig 旁车快照。
数值契约（都有实锤，勿违反）
- batch 固定 32：batch 32→128 时 1994 句预测变 1119 句（en→zh −0.10 / zh→en +0.24 BLEU），与历史分数不可比。提速只从实例并行来。
- 同卡多实例安全：同 ckpt 卡 2 双实例并发 vs 卡 0 独占，三方预测文件 SHA 完全一致。并发只争算力，不改数值。
- 跨卡一致：4 ckpt ×（卡 0 双跑 + 卡 1 单跑）12 组预测 SHA 全 SAME，跨卡贪心抖动不存在，但逐档对比仍建议固定同一张卡。
- greedy 口径：
do_sample=false, num_beams=1, min_new_tokens=0, repetition_penalty=1.0，EOS/pad 用模型实际值；每个 pred 文件带 genconfig 旁车。