官方训练 Baseline 快照¶
这个页面归档了比赛参考训练 baseline 的自包含源码快照，便于后续做结构对照、契约追溯和资料保存。当前仓库长期维护的训练入口仍然是 experiments/baseline 及共享框架代码；这里的内容仅作为历史参考，不作为当前运行时依赖。
对应的推理源码快照见 官方推理 Baseline 快照。
源码浏览¶
| 文件 | 作用 |
|---|---|
| run.sh | Shell 训练入口，内置默认启动参数 |
| train.py | 训练 CLI，解析环境变量和模型参数 |
| dataset.py | 原始 Parquet 数据集读取与 schema 解析 |
| model.py | 自包含 PCVRHyFormer 模型实现 |
| trainer.py | 训练循环、验证、checkpoint 与 early stopping |
| utils.py | 日志、随机种子、focal loss、early stopping |
| ns_groups.json | Group tokenizer 的参考分组配置 |
关键契约¶
- run.sh 默认启用 rankmixer NS tokenizer，并固定 user_ns_tokens=5、item_ns_tokens=2、num_queries=2、emb_skip_threshold=1000000、num_workers=8。
- run.sh 还保留了一套 group tokenizer 的备选配置，依赖 ns_groups.json，且用 num_queries=1 满足 d_model 与 token 总数的整除关系。
- train.py 以环境变量为主读取 TRAIN_DATA_PATH、TRAIN_CKPT_PATH、TRAIN_LOG_PATH、TRAIN_TF_EVENTS_PATH。
- dataset.py 明确以多列 raw parquet 加 schema.json 的形式构建数据集，而不是依赖预打包特征张量。
- trainer.py 会在 checkpoint 目录旁写入 schema.json、可选的 ns_groups.json 以及 train_config.json，使训练产物更接近自描述状态。
与当前仓库的关系¶
- 当前仓库的长期维护实现位于 experiments/baseline 和 src/taac2026。
- 当前打包流程以 taac-package-train 和 taac-package-infer 生成 bundle，不直接使用这份历史源码快照。
- 这份归档更适合用来回答“官方参考实现当时怎么组织训练入口、数据集、分组配置和 checkpoint sidecar”这类问题。