samaidev-pnet-2b

MiniCPM5-2B PonderNet 循环思考推理改造 — 分析报告与实现

对象仓库: tchbcb/MiniCPM5-2B-cpu（即 openbmb/MiniCPM5-2B 的副本） 结论先行: 可以，而且改动比预想的小得多 —— 本目录给出可直接运行的完整实现 （ponder_llama.py，约 400 行，含训练/推理/生成全链路 + 9 组冒烟测试全部通过）。

---

一、原仓库代码分析

浅克隆（GIT_LFS_SKIP_SMUDGE=1 git clone --depth 1）后仓库仅 12MB，不含任何权重， 也没有自定义 modeling 代码。文件清单：

关键架构参数：42 层 decoder、hidden 2048、16 头 / 2 KV 头（GQA）、head_dim 128、 RoPE θ=5e6、128K 上下文、SiLU MLP（intermediate 6144）。

分析结论：推理逻辑 100% 位于 transformers 原生 modeling_llama.py，其 LlamaModel.forward 是严格的"嵌入 → 42 层单遍串联 → RMSNorm → lm_head"结构， 没有任何递归/循环机制。要做 PonderNet，只需在原生代码之上包一层 —— 完全不必改 transformers 源码，也不必 fork 模型权重。

二、PonderNet 要加什么

PonderNet（Banino et al., 2021）的核心：网络对每个样本反复执行同一计算块，每步输出 停机概率 λₙ，最终输出是各步输出的概率加权混合：

h_k  = Block(h_{k-1})            # 思考块第 k 步
λ_k  = Halting(h_k)  ∈ (0,1)     # 停机概率
w_k  = remaining · λ_k           # 本步"停下"的概率质量
mix  = Σ w_k · h_k               # 混合输出
remaining *= (1 - λ_k)           # 直到 Σw ≥ 1-ε 或步数上限 K

三、改造方案（本实现）

3.1 分层：只循环"思考块"

42 层切成两段：前 34 层照常单遍，后 8 层（34~41）作为思考块循环执行 （ponder_start_layer=34 可调）。这样：

• 简单 token 停在第 1 步 → 成本 ≈ 原模型；
• 难 token 多想几步 → 每多想一步多 8 层的算力，粒度细、代价可控。

3.2 四种停机信号（λ 怎么来）

诚实的说明：不训练时 learned 头是随机的、没有意义；推理可用的前三种是 启发式 halting（借模型自身的置信度/收敛度做停机判据），效果等价于 "自适应计算时间（ACT）+ PonderNet 式混合"。要得到论文语义的 λ，用下面提供的 loss 只训练这个 2049 参数的头（可冻结主干）即可。

3.3 混合与 KV cache（工程上最难的部分）

每次思考迭代都会经 DynamicCache.update() 写 KV，直接循环会让缓存里出现重复 token。 本实现的解法 —— "替换式写入"：

1. 每次迭代（k≥2）先对思考块各层执行 cache.layers[l].crop(-W) 撤销上一步写入， 再跑思考块补回 —— 任意时刻缓存长度恒等于真实 token 数（已用测试逐层断言）；
2. 停机后执行 commit pass：用混合表示 h_mix 重过一遍思考块，把"思考后"的 KV 写进缓存 —— 后续 token 注意到的正是思考后的表示；
3. 第 1 步就停机的位置自动跳过 commit（混合即单步输出，零浪费）。

另一个坑：create_causal_mask 从非思考层读取缓存长度，对思考块会得到多 W 的 错误 KV 尺寸，因此窗口 mask 必须手工构建（_win_mask，token 索引因果 + padding 感知的加性浮点 mask，sdpa/eager 通用）。

3.4 训练真正的 PonderNet（可选）

labels 存在时自动计算 ponder loss = CE + β·KL(w ‖ Geometric(p_g))， 梯度可穿过混合权重到达 λ（与论文一致）。只训练 ponder_head（2049 参数）即可让 停机分布学出"难 token 多想、简单 token 少想"。

3.5 接口与兼容性（已验证）

• 权重兼容：meta-device 对比 checkpoint 索引 —— 381 个张量键名/结构完全一致， 仅新增 ponder_head.{weight,bias} 2 个张量（2049 参数），from_pretrained 直接加载；
• generate() 直接可用：继承 LlamaForCausalLM + 自定义 forward，HF 生成流程 （含左 padding、batch、logits_to_keep）无需任何适配；
• transformers 5.16.1 实测通过（与 config 要求的 5.6.2 同代）。

四、文件清单

五、快速上手

from ponder_llama import PonderLlamaForCausalLM, PonderLlamaConfig, LlamaConfig

cfg = PonderLlamaConfig.from_llama(
    LlamaConfig.from_pretrained("/path/to/MiniCPM5-2B-cpu"),
    ponder_signal="entropy",     # 或 msp / drift / learned
    max_ponder_steps=8,
    ponder_start_layer=None,     # None = 最后 8 层作思考块
)
model = PonderLlamaForCausalLM.from_pretrained(
    "/path/to/MiniCPM5-2B-cpu", config=cfg,
    torch_dtype="bfloat16", low_cpu_mem_usage=True).eval().cuda()

out = model(input_ids, output_ponder=True)
print(out.ponder_steps)     # 每个位置实际思考了几步
print(model._ponder_log)    # 每次 forward 的诊断日志

训练 halting 头（可选，其余全部冻结）：

for n, p in model.named_parameters():
    p.requires_grad = n.startswith("ponder_head")
cfg.ponder_signal = "learned"        # 切到可训练信号
# 正常 forward(input_ids, labels=...) → loss 里已含 KL(‖Geometric) 正则

主要超参：

六、训练 halting 头（真 PonderNet）

6.1 三种模式与代价

# 生成演示数据（16 条: 简单问答 + 推理题, 让头有"难题多想"的信号可学）
python train_ponder_head.py --model /path/to/MiniCPM5-2B-cpu --make-demo-data demo.jsonl

# 推荐: 头 + 思考块 LoRA
python train_ponder_head.py --model /path/to/MiniCPM5-2B-cpu \
    --train-mode head+lora --lora-scope ponder --lora-r 16 \
    --data demo.jsonl --epochs 2 --batch-size 2 --accum 4 \
    --prior-p 0.4 --beta 0.05 --head-bias-init -1.0 \
    --output out/ponder-lora --log-every 5

数据格式（jsonl，只对 assistant 回答区间计 loss）：

{"messages": [{"role": "user", "content": "9.11 和 9.9 哪个大？"},
              {"role": "assistant", "content": "9.9 更大。因为 0.90 > 0.11 …"}]}

6.2 关键超参与预期现象

• --prior-p（几何先验 p_g）：控制"想几步"的先验预期，期望步数 ≈ 1/p_g。 想让模型平均思考 3 步左右 → p_g=0.3；2.5 步 → p_g=0.4。
• --head-bias-init：初始停机偏置，sigmoid(-1.0)≈0.27（初始期望约 3.7 步）。
• --beta：KL 权重。太小 → 头被 CE 拉着全跑满 K 步；太大 → 全挤在第 1 步。

训练日志中三列数字的联动（tiny 模型实测轨迹）：

  step |      CE |      KL | 平均思考步数
     0 |  5.4395 |  0.0390 |       1.99
    60 |  4.2772 |  0.0083 |       2.31   ← p_g=0.4, 期望 2.5

CE 下降（任务能力）+ KL 下降（停机分布靠向几何先验）+ 步数向 1/p_g 漂移但保留 区分度 —— 三者同时发生才是健康的 PonderNet 训练；如果步数立刻塌到 1 或钉死在 K， 调 p_g / beta / head_bias_init。

6.3 训练产物与推理加载

# head / head+lora 模式产物: ponder_head.safetensors (+ adapter_model.safetensors)
from safetensors.torch import load_file
model = PonderLlamaForCausalLM.from_ponder(
    "/path/to/MiniCPM5-2B-cpu",
    ponder_kwargs={"ponder_signal": "learned", "max_ponder_steps": 8})
head = load_file("out/ponder-lora/ponder_head.safetensors")
model.ponder_head.load_state_dict({k.replace("ponder_head.", ""): v
                                   for k, v in head.items()})
# LoRA 适配器: model = PeftModel.from_pretrained(model, "out/ponder-lora")

七、T4 实战 runbook（16GB 显存）

7.1 为什么 T4 需要专门适配

T4 是 pre-Ampere 卡（sm_75）：不支持 bf16，只能 fp16 + GradScaler。本仓库已针对 真实半精度 GPU 预修复并预验证（test_gpu_readiness.py，CPU fp16 复现）：

1. fp16/bf16 模型 + fp32 ponder_head 的 dtype 转换链（修复前直接报 dtype 不匹配）。
2. fp16 下 KL 正则的 NaN 风险：停机质量 w 中的小值在 fp16 域取 log 会下溢出 NaN， KL 现已固定在 fp32 域计算。
3. 全部停机信号的 λ 统一 cast 回隐状态 dtype，混合链路 dtype 一致。
4. 思考块 gradient checkpointing：思考循环最多 K 次前向，激活是普通前向的 K 倍， 重算是 16GB 显存训练的关键（开启后开/关 loss 与梯度完全一致）。

显存预算（head+lora, fp16, batch 2×384）：权重 5.0GB + LoRA/头 ≈ 0.1GB + 激活（重算后）≈ 1GB + logits（词表 130560）≈ 1.5GB ≈ 8GB 左右，T4 富余。

7.2 一键运行

bash run_t4.sh          # 自检 → 下载权重(约5GB, 磁盘不足自动清理缓存) →
                        # 数据 → 训练(fp16) → 训前/训后评估 + 思考收益

7.3 训后看什么（评估表怎么读）

python eval_ponder.py --model $MODEL_DIR \
    --head out/ponder-t4/ponder_head.safetensors --adapter out/ponder-t4 \
    --data data/pondernet_train.eval.jsonl --compare --k1-baseline

• 难度分化的 avg_steps：健康的训练应看到 easy < medium < hard 的思考步数梯度 （数据集本身就是按难度分桶构造的）；训前（bias=-1, λ≈0.27）各桶步数几乎相同。
• ΔCE（思考收益）：--k1-baseline 输出 CE(K=1) − CE(K=8)，正值说明"多想"确实 降低了损失；重点看 hard 桶是否比 easy 桶收益更大（思考用在刀刃上）。
• 训练日志：CE 下降 + KL 下降 + 步数向 1/p_g≈2.5 漂移但保留区分度。

八、局限与提醒

1. 免训练信号是启发式：entropy/msp/drift 停机判据并非模型学出来的元认知， 实测大概率每个位置都会跑满 K 步。要得到"该多则多、该少则少"的停机行为， 用第六节的脚本微调 halting 头（数据量要求很小，head 模式单卡即可）， 或在思考块上加 LoRA 联合训练 —— 那才是完整意义的 PonderNet。
2. 算力换深度：每多想一步 = 多 8 层前向（约 19% 的整模型算力）。decode 阶段 逐 token 思考会显著降速，可把 max_ponder_steps 调小或只保留 prefill 思考。
3. 语义偏移风险：思考块是"重复过同样的层"，本质是给特定 token 动态加深网络。 原模型没在这种模式下训练过，输出分布可能有轻微偏移（类似 Universal Transformer 的权重共享循环）。混合权重 w 与 commit-KV 机制保证了数学上的自洽，但不保证 生成质量提升 —— 建议以 max_ponder_steps=1（≈原模型）为 baseline 对比评估。
4. 本实现针对 transformers 5.x（5.16.1 实测）；4.x 的 Cache API 不同，需要小幅适配。

九、T4 实测结果（2026-09-08，Colab Tesla T4 16GB）

环境：Python 3.13 / torch 2.11.0+cu128 / transformers 5.16.1 / peft 0.20.0。 600 条难度分级训练数据（easy 220 / medium 200 / hard 180），85 条评估 + 50 条 OOD 压力题。

9.1 训练（head+lora, LoRA r=16 仅注入最后 8 层思考块, 2 epochs, fp16+GradScaler）

• 总耗时 617 s（含加载与保存），无 NaN、无 OOM（batch 2×512 + grad-ckpt）
• CE：2.50 → 0.03~0.05（epoch 2 稳定在 0.01–0.05 量级）
• 平均思考步数（训练期）：2.29 → ~1.30，说明 halting 头确实在 CE+KL 联合作用下 从"多想"向"够用即停"移动
• 产物：out/ponder_lora/（adapter_model.safetensors 19MB + ponder_head.safetensors 8.4KB）

9.2 评估集结果（85 条）

三个核心观察：

1. 自适应计算带来真实质量增益：K=8 自适应（平均仅 1.3 步）CE 0.018，比强制 单步 baseline 的 0.030 低 38%。即模型用约 1/8 的"跑满算力"成本取得了比单步 更低的损失 —— 这正是 PonderNet 论文声称的"质量-算力帕累托改进"在真实 2B 模型上的复现。
2. 训前 vs 训后对照：训前 head 是"无脑跑满 K=8"（7.2–7.3 步，无难度区分）； 训后绝大多数位置 1 步即停（77%–91%），且保留了少量多步位置 —— 停机行为完全被训练重塑。
3. 步数分化的方向：easy > medium > hard（1.46 > 1.30 > 1.20）。这与"难题多想" 的直觉相反，但与 PonderNet 的实际优化目标一致 —— 步数跟随的是 per-token 预测 不确定性：hard 题答案高度模板化（"设鸡 x 只…"），每个 token 都好预测，1 步就够； easy 里的翻译题英文词更难预测，反而多想一点。

9.3 OOD 压力测试（50 条训外难题）

• OOD 上 K=8 CE 0.705 vs K=1 CE 0.724：思考仍有增益（+2.7%），且步数最高的恰是 记忆压力最大的数字串复述 —— halting 头学到的信号与"表示不确定性"正相关， 方向正确。
• 但步数整体仍低（≤1.5）：600 条简单数据上 CE 的最优解就是"快停"，模型没有遇到 "1 步真解不出"的压力。

9.4 结论与下一步

已验证：PonderNet 循环思考在真实 2B 模型 + T4 上端到端可行 —— 训练稳定、 自适应停机、质量优于单步 baseline、算力成本可控（~10 分钟可训完）。

未出现：按题目语义难度分桶的步数分化。要让"难题多想"真正显现，需要：

1. 1 步真实解不出的数据：例如把 CoT 中间推理步纳入监督（而非只给模板化最终答案）、 或训练集包含模型当前能力边界之外的任务；
2. 更大的 prior 压力：--prior-p 调小（如 0.2）或加大 β，强制步数分布远离 1；
3. 两阶段训练：先 LoRA 拟合任务，再冻结 LoRA 单独训 head，避免"快停"在 训练早期就成为 CE 最优解。

9.5 T4 复现命令

# T4 端（Colab）—— 数据 md5: mix.jsonl=41c7ede4, mix.eval.jsonl=5a03ce37（与本地一致）
pip uninstall -y torchao            # peft 0.20 与 Colab 预装 torchao 0.10 冲突
python train_ponder_head.py --model models/MiniCPM5-2B \
    --train-mode head+lora --lora-scope ponder --data data/mix.jsonl \
    --dtype float16 --epochs 2 --batch-size 2 --accum 4 --grad-ckpt \
    --output out/ponder_lora
python eval_ponder.py --model models/MiniCPM5-2B --data data/mix.eval.jsonl \
    --head out/ponder_lora/ponder_head.safetensors --adapter out/ponder_lora \
    --max-steps 8 --generate

注意：新版 torch 的 is_bf16_supported() 对 T4 (sm75) 返回 True 但那是模拟 bf16 （无硬件 tensor core），训练脚本已改为按 compute capability 判断，T4 自动落 fp16 + GradScaler。

十、"难题多想"语义分化专项：数据集选型与方案（2026-09-08）

9.4 指出核心矛盾：模板化短答案使 hard 桶 per-token 不确定性反而低。破局需要 真实多步 CoT 数据（让"1 步解不出"成为 CE 层面的现实）+ 难度→先验的显式通路。

10.1 HF 数据集选型（实查字段与规模）

10.2 专门方案（按改动成本排序，1+2 组合拳已落地）

1. CoT 数据替换（数据侧，首选）：make_gsm8k_zh_data.py 从 MetaMathQA_GSM8K_zh 抽样，按"解答中等式行数"自动分桶（≤2 步 easy / 3 步 medium / ≥4 步 hard）， 生成带 difficulty 字段的 jsonl。多步 CoT 的中间 token 无法靠 1 步记住， halting 头将在真实的预测压力下学到"多想"。
2. 难度条件化先验（损失侧，已实现）：--difficulty-prior easy:0.7,medium:0.4,hard:0.15。 实现：PonderLoader 把同难度样本组成同 batch，训练循环在每个 batch 前把 config.ponder_prior_p 切换为该难度的 p_g —— KL 正则随之把 easy 拉向快停、 hard 拉向多想。这是 PonderNet 几何先验的 per-sample 扩展，ponder_llama.py 零改动。
3. 两阶段训练（调度侧）：先 LoRA 拟合 CoT 任务（CE 降下来），再冻结 LoRA 单独训 halting 头 —— 避免"快停"在训练早期成为 CE+KL 的联合最优解。
4. 失败自举（AdaptThink 式，进阶）：先用 K=1 跑一遍训练集，答错的样本构成 "必须多想"集合，对其施加更小的 p_g（或直接监督步数目标）—— 用模型自己的 失败案例定义难度，比启发式分桶更精准。

10.3 一键复现（方案 1+2）

pip install datasets
python make_gsm8k_zh_data.py --out-dir data_zh --n-train-per-bucket 800 --n-eval-per-bucket 50
python train_ponder_head.py --model <MODEL_DIR> --train-mode head+lora \
    --data data_zh/zh_cot.jsonl --difficulty-prior easy:0.7,medium:0.4,hard:0.15 \
    --epochs 2 --batch-size 2 --accum 4 --grad-ckpt --dtype float16 --output out/ponder-zh
python eval_ponder.py --model <MODEL_DIR> --data data_zh/zh_cot.eval.jsonl \
    --head out/ponder-zh/ponder_head.safetensors --adapter out/ponder-zh \
    --max-steps 8 --tag zh-cot

预期：easy 桶步数 →~1，hard 桶步数显著上移（p_g=0.15 的几何先验期望 ≈6.7 步）， 出现 easy < medium < hard 的语义分化；评估脚本按 difficulty 分桶可直接检验。

---

十一、第二轮实测：中文 CoT + 难度条件化先验（T4）

11.1 实验设置

11.2 训练曲线（75 优化步）

step  10 | loss 2.3062 (ce 2.2549) | ponder_steps 2.36
step  20 | loss 0.5697 (ce 0.5112) | ponder_steps 1.07
step  70 | loss 0.4326 (ce 0.3843) | ponder_steps 1.07

CE 快速收敛（CoT 任务 LoRA 拟合良好），但 ponder_steps 从 2.36 一路降到 ~1.07 并锁死 —— "尽快停"再次成为 CE+KL 的联合最优解。

11.3 评估结果（90 条，K=6 vs K=1）

思考收益：CE 0.4223 → 0.3713（降 12%），代价仅平均 0.07 步/token（约 7% 位置用到 2+ 步）。 自适应停机机制本身工作正常且正向获益，但三桶步数不仅未按 hard>medium>easy 分化， 反而呈微弱反向（hard 最低）—— 与第一轮（英文短答案）现象一致。

11.4 根因分析：为什么"难题多想"在 CE 视角下不成立

两轮实验（模板化短答案 + 真实多步 CoT）得到同一结果，可以下结论这不是数据形式问题：

1. CE 的优化对象是 per-token 预测，不是"解题"。数学题 CoT 的语言高度模板化 （"因此...="、"设...为 x"），hard 题的下一个 token 反而比 easy 题的自由文本更可预测。 halting 头从 CE 梯度学到的"哪里不确定"与题目语义难度负相关。
2. 1 步就够好的任务不值得多想。2B 模型 + LoRA 对 GSM8K 级 CoT 的 next-token 拟合误差已很小（CE 0.37），K=2..6 的循环对绝大多数位置没有信息增益， w→第 1 步是全局最优。"难题多想"要求存在一批 1 步真的解不出的位置。
3. 难度条件化先验被 CE 压制。β=0.05 下 KL 拉力 (~0.05) 远小于 CE 梯度差， hard 桶先验 p=0.15 不足以把它推向多步。加大 β 会损害 CE（实验过 β 失衡的风险）。

11.5 修正后的方案优先级（第三轮方向）

结论：必须改变任务结构让"1 步解不出"成为事实，而不是换数据或调先验。

1. 失败自举（AdaptThink 式，升为首选）：用当前 K=1 模型跑训练集， CE 高的位置/样本 = 模型自己的能力边界 → 构造"这些题强制多想、其余强制快停" 的步数监督，或直接对失败样本给 p_g=0.1。难度由模型实测定义，与语义对齐。
2. 两阶段训练：先 LoRA 拟合任务（本轮已完成，CE 0.37），冻结 LoRA 后 单独训 head —— head 只能在固定表征上找"1 步不够"的位置，排除了 "LoRA 学会快停"的混淆路径。
3. 答案遮蔽/结构化监督：只对 CoT 的"结论区"计 loss（中间推理不计）， 迫使停机决策与"推理是否完成"对齐，而非与 per-token 熵对齐。
4. 保留资产：本轮权重（head+LoRA）已可复现 12% 的 CE 收益 @ ~1.07 步， 作为第三轮的初始化 checkpoint。

11.6 产物与复现

• HF: pondernet/weights_zh_round2/（ponder_head.safetensors + LoRA adapter 19.2MB）
• HF: pondernet/data_zh_round2/（zh_train_1200.jsonl + zh_cot.eval.jsonl）
• T4 端复现命令与 10.3 相同（数据换 data_zh/zh_train_1200.jsonl）； 评估：eval_ponder.py --max-steps 6 --head out_zh/ponder_head.safetensors --adapter out_zh --limit 90

---

十二、第三轮实测：失败自举（AdaptThink 式）

12.1 方法

用第二轮训后的模型（K=1 单步）对 1200 条训练样本逐样本实测 CE（probe）， 以模型自己的能力边界重新定义难度，替代启发式分桶：

• probe_ce ≥ p75 (0.555) → 实测 hard（强制多想，p_g=0.05）
• probe_ce ≤ p25 (0.323) → 实测 easy（强制快停，p_g=0.90）
• 其余 → 实测 medium（p_g=0.50）

第三轮训练：加载第二轮 LoRA 继续训（--init-adapter out_zh，head 重置）， 720 条均衡抽样，1 epoch，先验命中 720/720。新增 --init-adapter 两种用法： --train-mode head（冻结 LoRA 只训 head）/ --train-mode head+lora（LoRA 续训）， test_boot.py 三阶段冒烟覆盖。

12.2 probe 铁证：启发式难度与模型难度负相关

推理步数越多的题，模型单步预测反而越容易 —— 数学 CoT 的模板化语言 （"设...为 x"、"因此...="）使长解答的 per-token 熵更低。 这定量解释了两轮实验中 halting 头"反向分化"的原因：它优化的从来就是 预测难度，而不是题目语义难度。交叉表：实测 hard 中 56% 来自启发式 easy。

12.3 第三轮结果（180 条 eval，同阈值重标分桶）

• 步数方向首次转正：hard > medium > easy（单调）✅
• 幅度微弱：hard−easy 仅 +0.012，97% 位置仍停在第 1 步 ❌
• 思考收益归零：0.3762 → 0.3759（0.1%），第二轮的 12% 收益消失

12.4 根因：移动目标 + KL 拉力不足

1. probe 标签过时（移动目标）：probe 用的是第二轮结束时的模型；第三轮 LoRA 继续训练迅速把 probe_ce 高的位置拟合掉（CE 0.43→0.38），"实测难" 在训练开始后立刻不再难。head 面对的 hard 组已经没有"多想的 CE 增益"。
2. β=0.05 的 KL 拉力数量级不足：hard 组 KL(~1.3)×0.05 ≈ 0.065 的 loss 贡献，无法对抗 CE 对快停的偏好。步数只留下 2-3% 的"姿态性"多步。
3. 思考收益归零 = 模型对 boot_hard 的 1 步拟合已足够好，K>1 无信息增益。

12.5 第四轮方向（按优先级）

1. 步数硬监督替代 KL：对实测 hard 组直接监督 w 分布（目标 = 均匀铺满 K 步），easy 组监督 w=[1,0,...]。BCE/MSE 直接作用在 w 上，比 β·KL 强 一个数量级，不依赖"多想有 CE 增益"。
2. 冻结表征的两阶段：probe 后冻结 LoRA 只训 head（--init-adapter + --train-mode head）。probe 标签在固定表征下不过时，head 学到的是真实 的"1 步不够"位置。本轮为省时选择了续训，两阶段版本待验证。
3. 答案级 RL（AdaptThink 原味）：奖励 = 答对且步数少。答案对错不随 LoRA 拟合 token 而漂移，规避移动目标。工程量大（采样 + 奖励 + RL）， 建议在 1/2 验证失败后再启动。
4. 保留资产：probe_results.jsonl（1200 条实测难度标签）与 boot 权重 已存 HF，第四轮直接复用。

12.6 产物与复现

• HF: pondernet/weights_boot_round3/（head + LoRA）、pondernet/data_boot_round3/ （probe_results.jsonl + boot_train.jsonl + boot_eval.jsonl）
• 复现:

  python train_ponder_head.py --model <MODEL> --train-mode head+lora \
      --init-adapter out_zh --data data_zh/boot_train.jsonl \
      --difficulty-prior easy:0.9,medium:0.5,hard:0.05 \
      --epochs 1 --batch-size 2 --accum 8 --max-steps 6 --grad-ckpt --dtype float16 \
      --output out_boot
  python eval_ponder.py --model <MODEL> --data data_zh/boot_eval.jsonl \
      --head out_boot/ponder_head.safetensors --adapter out_boot --max-steps 6