laguna-gb10-skills

Диагностика патологий стадии CPT (continued pretraining) у маленьких моделей: «template domination» (модель на любой вход отвечает самым частым шаблоном корпуса — в v12 это «grpo / advantage_estimation»), language drift (рассуждения уезжают в английский), обвал сильной базы после CPT (3B: 39 → 2 попадания). Считает input attribution — долю ответов, где упомянуты именно запрошенные концепты, — ищет доминирующие n-граммы/шаблоны в ответах и в корпусе, оценивает перекос корпуса и предлагает меры: replay базовых инструкций, разнообразие формулировок, документное маскирование, доза CPT. ВСЯКИЙ РАЗ используй этот навык, когда: «после CPT модель отвечает одно и то же», «модель игнорирует вход», «утечки grpo в ответах», «стоит ли делать CPT для 3B», «сколько шагов CPT», «проверь корпус на перекос», «язык рассуждений сменился», «input attribution».

Написание интерпретационного отчёта по завершённому прогону лесенки обучения (CPT → SFT → RL + OOD-эвалюации) маленькой модели на GB10 — в формате, отработанном на отчёте v12_qwen25-15b_s42: резюме с главными числами, конфигурация и хронология с падениями, OOD-метрики со статистикой, живые примеры «до/после», динамика обучения и здоровье RL, причинно-следственная реконструкция по стадиям, ограничения измерений, выводы и следующие шаги, приложение с артефактами. Итог — Markdown или .docx (через docx-скилл; в стиле ДКА — через dka-report-docx). ВСЕГДА используй, когда пользователь просит: «напиши отчёт по прогону», «интерпретация эксперимента vN», «оформи результаты лесенки», «сделай выводы по CPT/SFT/RL», «обнови отчёт для 3B», «что из этого следует для лесенки» — даже если он даёт только пути к логам.

Запуск, мониторинг и восстановление «лесенки» обучения маленьких моделей (рецепт Laguna: CPT → SFT → RL → eval) на NVIDIA GB10 / DGX Spark (UMA, единая память CPU+GPU). Знает проверенную конфигурацию для 1.5B/3B (batch=1, max_len=8192, vLLM util≈0.32, LAGUNA_MEM_FRACTION=0.6, flex-attention, WSD с peak×0.7), типовые падения (rc=137 OOM на CPT/SFT, rc=1 NVRM/driver на RL, «DONE при неполном проходе», застрявшие контейнеры) и цикл watchdog → restart → RESUME с последнего чекпоинта. ВСЕГДА используй этот навык, когда пользователь просит: «запусти/перезапусти лесенку», «что с прогоном v12/v13», «почему упал CPT/SFT/RL», «прогон завис», «проверь статус на GB10», «rc=137», «OOM на Spark», «настрой watchdog», «добавь новую модель в лесенку», «сколько ещё ехать RL» — даже без слова «Laguna».

Сравнение стадий лесенки (BASE / CPT / SFT / RL) на OOD-наборе задач с парами концептов (eval_ood_oxalpha и подобные): подсчёт slug-попаданий как основной метрики, проверка валидности LLM-судьи (детект API_DOWN / нулевых вердиктов), точный тест МакНемара между стадиями, 95% ДИ биномиальной доли, распределение вердиктов (CORRECT/PARTIAL/WRONG/ERROR), выбор живых примеров «до/после» по задачам. ВСЕГДА используй этот навык, когда пользователь просит: «сравни стадии», «посчитай OOD», «что дал SFT/RL», «значима ли разница», «судья упал / API_DOWN», «пересуди BASE», «покажи примеры до/после», «разбери eval_results_*.json» — даже если про статистику не спрашивают явно: без неё выводы о +2 попаданиях недостоверны.

Оценка «здоровья» RL-стадии (GRPO с функциональным reward и tool-call'ами) у маленьких моделей по логам роллаутов и агрегатам шагов: энтропия (зона 0.9–1.5, коллапс ниже), KL к инициализации, clip-fraction, награда и pass-rate по четвертям, длина ответа, число tool-call'ов на роллаут, ppl_general как детектор катастрофического забывания (GEN-EVAL), ppl_domain. Различает профили «регуляризованная полировка» (KL≈0, награда без роста, +качество у судьи) и «рост» и даёт рекомендации по бюджету (группа, шаги, reward). ВСЕГДА используй, когда пользователь спрашивает: «как идёт RL», «есть ли коллапс», «награда не растёт», «модель забыла базу», «разбери rollouts_log.jsonl / rl_steps_agg.csv», «увеличить ли группу/шаги», «здоров ли контур», «что с энтропией/KL».