DATASET / TRAINING HANDOFF · V0.1.0-SEED

模型侧试训包已经就绪

同一份规范源数据导出 prefix-only 策略样本、messages SFT 样本和 full-context Oracle 样本。线上训练与未来结果监督物理分离，便于老师直接试跑并审计泄漏。

01 · RECOMMENDED START

先跑 Qwen3.5-4B LoRA SFT

第一轮只训练严格 prefix-only 的结构化裁决。4B 作为主基线，0.8B 测延迟下界，9B 测质量上界。当前 48 条训练样本只用于验证训练链路、JSON 稳定性和过拟合，不用于宣称生产效果。

pip install "ms-swift[llm]" -U
./training/train-qwen35-4b-lora.sh

02 · HARD RULE

policy-* 与 sft-* 只包含 T1…Tt，可用于线上策略；oracle-* 含完整讨论，只能做候选定位、事后稳定性和辅助目标。后来被推翻不自动说明当时的介入错误。

种子集限制

全部对话是人工编写的合成样本。正式实验需要真实 CoGraph 讨论、双人独立标注和独立团队盲测集。

训练、验证和测试按完整对话划分；同一对话的相邻前缀不会跨集合。

数据视图	Train	Dev	Test	用途
Policy JSONL	48 条	12 条	12 条	结构化分析、自定义分类/多任务训练
SFT messages	48 条	12 条	12 条	ms-swift / TRL 直接读取
Full Oracle	12 条	3 条	3 条	离线教师与未来结果辅助监督

03 · EVALUATION

node scripts/evaluate-policy.js \
  data/training/generated/policy-test.jsonl \
  predictions.jsonl

04 · NEXT DATA MILESTONE

建议至少积累 500 段真实讨论和 5000 个复核前缀，优先收集 offer 前 1～3 turn、只差一个门槛的 WAIT、非编码行动项，以及合理介入但后来被不可预见信息推翻的样本。