OwnerSunshine530
9d5a5a52f2
- infer.py: 模块级 CONFIG（fp16/keep_fp32_modules/expert_merge/ merge_threshold/signid_mode/sync_timing），默认值=当前最优行为； load_model 按 CONFIG 控制半精度/FP32敏感层/expert合并； RepEncoder 支持 clamp/modulo 两种 sign-id 处理； 新增 _force_fp32_io 钩子让敏感层在FP16模型里以FP32 IO 计算。 - bench.py: 设置 CONFIG → 跑推理 → cuda.synchronize 真实计时 → _cal_score 打印 AUC/PCOC/延迟/总分，支持配置/batch扫描。不进提交包。 - EXPERIMENTS.md: 实验记录表。 Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
1.1 KiB
1.1 KiB
实验记录
在 AI Studio notebook 里跑
bench.py后，把每次配置的实测值填进表里。 「本地分」用本地 test.csv + label_data.txt 算（仅作方向参考）；「提交分」是验证集真实分数。 本文件可入 git，但不进提交包（打包只含 infer.py / requirements.txt / build_env.sh）。
| 任务 | 配置 | AUC | PCOC | 延迟(同步) | 本地分 | 提交分 |
|---|---|---|---|---|---|---|
| 基线 | 默认(当前最优: fp16+merge0.90+clamp) | 待测 | 待测 | 待测 | 待测 | 58.86 |
待跑（按计划顺序）
- Task 2:
python bench.py默认配置 → 填上面「基线」行的本地实测 - Task 3（最关键）:
bench.run_once({"fp16": False, "expert_merge": False, "signid_mode": "clamp"})→ FP32 天花板 AUC，判定 80+ 是否有 AUC 空间 - Task 4: clamp vs modulo（先查 max_sign_id 是否超 5M）
- Task 5: 混合精度 keep_fp32_modules 扫描
- Task 6: expert_merge 开/关的 AUC 代价
- Task 7: 特征截断 + 上下文完整性核查
- Task 8: 锁定阶段 A 配置并提交一次