Files
MeltMind/docs/s2-main-matrix-execution-2026-11-15.md
T

3.4 KiB
Raw Blame History

S2 统一名单后的 fresh 矩阵执行

准备终态已固定为 31012ae4d38b4b088eb2f8d3a5851ef2ab55e710:131 尝试中124通过、7超时,493旧成功仅复用。最终617件的统一名单 SHA256 为 fb0c984f2e553343a598ce2e3c7012d3017053dc0fef58b5aaf46dd3c67a207e。排除7件共708645节点,原全集18661224节点;各折/池实际计数已固定在准备根 final-fold-pool-counts.csv。本次不再启动准备,也不复用pilot权重。

新矩阵根 artifacts/s2-main-matrix-2026-11-15,合同 SHA256 198e5711ed2e7485167068769652c866867229e09ecf0d09b21612debc3b7a56。执行授权沿Claude1794699027.366469。固定5折×3组件比例池×3种子×N/E共90 fresh runs,45个相邻N/E块;宽128按可行性选择,宽度效应未检验。E_max/cosine42、AdamW及AMP跳步规则不变。新工作者的完整训练/验证epoch循环与已固定v2 pilot逐字一致;只适配fold/pool/seed、名单和输入访问,没有加载旧checkpoint。

每个fold/pool只枚举该折成功learning/validation,标准化统计只用该学习池。读取缓存或压缩包之前拒绝本折test。可验证兼容的旧非测试目标复用;缺少的目标在受监督run内按当前折允许角色惰性提取并留回执,按折加锁缓存,失败/中断不静默重试。本折test始终不进入该折拟合或验证;其他折的角色不能绕过当前折检查。所有90+15终态及检查点冻结后才统一托管测试预测、评分;本执行器没有测试预测或评分入口。

四张V100每卡一块,块内N后E,每个run都有三次空闲确认和已验收的累计显存峰值监督。各卡CPU亲和分别[0,1]、[2,3]、[4,5]、[6,7],记录在合同及回执;CPU8–31留给其他工作和后续R2。环境显式设置expandable_segments:True;每run≤1800s、15GiB显存、16GiB进程树RSS、5GiB输出。每次空闲等待最多600s;它与设置、失败耗时均计入46聚合GPU小时。监督仍是采样与退出复核,不把采样上限描述为连续硬件配额。

协调器按实际子进程存活时长累计每块GPU时间,并在派发时为每个活动块预留5000s;不按并行日历时长低报GPU小时。首四块共八个run全部终态前不派第五块;使用成功观察到的各臂最大wall/node、剩余实际节点数及25%余量重估,超过46h或两臂缺可用成本时停止报告。预算不足时尚未派发的run明确NA。任一臂失败仍完成其配对臂的既定尝试;失败不重试、不替补,配对有效性单独记录。

验收:10项矩阵CPU合成检查及7项既有累计显存监督检查全部PASS。覆盖15个真实名单选择与固定计数一致、当前折test在I/O前拒绝(即使有旧缓存)、折角色转换、惰性目标只创建一次及缓存后再次角色检查、训练循环未改变/无权重加载、预算预留、首八屏障和投影停止、N失败仍执行E一次、45块/90终态唯一派发、禁止重复矩阵启动,以及历史失败路径显存峰值监督。没有在这些验收中读取真实新增标签或启动GPU计算。

执行状态以 matrix-started.json、matrix-progress.json、各block/cell回执及 first-eight-checkpoint.json 为准。prelaunch.json、acceptance.json 是启动前固定证据,不可据此覆盖之后的真实状态。不得因聊天闲置重启。后续R2尚需独立执行实现与验收,预算为单fit30CPU-min、总100workerCPU-h、首fit成本检查;R2未全部终态时禁止托管测试解封。