GPUs · operação e parâmetros

X-docctor · GPU MATH

Dados autorizados de X-docctor. Inventário físico, energia e telemetria descrevem a GPU compartilhada.

Da origem ao modelo em uso

GOLD humanoDataset seladoTreino na GPUAvaliação retidaPromoçãoConsumidor em uso

Definição usada pelo controlador: não medida. As condições abaixo vêm da máquina, não de um fluxo paralelo da tela.

Etapas e condições de execução

Não foi possível ler a definição da máquina. Atualize a consulta.

Variáveis de treinamento

Grupo	Variáveis	Como interpretar
Identidade e função	`gpu_id, model_id, model_revision, base_weights_sha256, tokenizer_revision, runtime_version, function_id, service_id, application_id, tenant_scope`	Impede treinar ou avaliar o modelo com a função, a revisão ou a aplicação errada.
Pesos efetivos e inferência	`base_weights_receipt, manifest.files, receipt_sha256, inference_latency_ms, inference_latency_p95_ms, inference_error_rate, samples, errors, window, purpose`	Hash dos arquivos efetivamente abertos em cada carga. Latência inclui fila, geração e transferência no proxy; treino, avaliação, serving e qualificação mantêm provas separadas. Sem janela válida, permanece não medido.
Origem GOLD	`source_id, source_revision, gold_id, verdict, judged_by, judged_at, system_prompt, input, original_output, corrected_output, class_name, field`	Veredito humano com contexto completo e valores original e corrigido preservados.
Revisão e recibo da origem	`review_id, decision, expected_version, before_sha256, command_sha256, source_revision, receipt_sha256, source_gold_written, checked_at`	Rascunho não escreve na fonte. Aprovação, correção da resposta ou rejeição exigem motivo e recibo próprio. A tarefa e a classe da origem são imutáveis; uma mudança de contexto precisa de nova conversa na aplicação.
Direitos e privacidade	`license, terms, purpose, lineage, central_permission, pii_status, source_snapshot`	Ausência de contexto, licença ou permissão impede a inclusão; não aumenta a contagem por suposição.
Dataset	`dataset_id, dataset_sha256, train_sha256, eval_sha256, exporter_version, seed, group_id, example_id, partition, exclusion_reason`	Snapshot imutável, sem exemplos ou grupos compartilhados entre treino e avaliação.
Amostra e divisão · conteúdo TEXT	`unique_examples, train_examples, eval_examples, corrected_examples, classes, minimum_examples`	A política de conteúdo usa 80/20, mínimo de 200 únicos e maioria corrigida; o total real após agrupamento aparece no manifesto. Não aplicar esta divisão ao corpus de código MATH.
Corpus de código · MATH	`profile_id, corpus_sha256, grupo, revisao_id, entrada_sha256, fonte_sha256, contrato_sha256, conformidade, achados, treino, validacao, holdout`	Corpus separado por família de origem: treino otimiza pesos, validação mede durante o treino e holdout compara base/candidato. Revisão humana, licença e finalidade são verificadas por modelo; classificação e achados precisam corresponder ao código e contrato retidos.
Otimização	`epochs, learning_rate, optimizer, micro_batch_size, gradient_accumulation_steps, scheduler, max_grad_norm, seed`	Parâmetros pedidos e efetivos são separados. O controlador rejeita opções não aceitas pelo executor.
LoRA	`lora_rank, lora_alpha, lora_dropout, target_modules, trainable_parameters`	LoRA treina uma adaptação dos pesos. Sua compatibilidade com o modelo e o servidor de inferência exige prova.
Tokens e memória	`max_seq_len, max_steps, precision, quantization, gradient_checkpointing, cuda, vram_free_mib, vram_peak_mib`	Tokenização pode excluir exemplos; o progresso depende dos IDs realmente percorridos, não só do tamanho do arquivo.
Execução	`job_id, state, state_version, steps_completed, steps_total, epoch, loss, started_at, finished_at, active_seconds, retries, heartbeat`	O job continua no servidor, com eventos, idempotência, retomada e bloqueio de concorrência.
Consumo	`tokens_processed, examples_processed, examples_per_second, gpu_seconds, artifact_bytes, hourly_rate, billed_cost`	Vazão e custo precisam de medições, intervalo e tarifa versionada. Bytes não são convertidos em tokens.
Avaliação	`evaluation_id, holdout_sha256, evaluator_version, policy_version, base_accuracy, adapter_accuracy, invalid_json, f1, sample_size`	Modelo base e adapter recebem o mesmo holdout. O avaliador precisa ser adequado à função.
Confiabilidade	`wilson_interval, paired_gain_interval, independent_groups, class_coverage, regressions, decision`	Intervalos e amostra permitem distinguir melhoria comprovada de resultado inconclusivo. Job concluído não significa aprovado.
Juiz complementar	`judge_model_revision, rubric_sha256, protocol_sha256, case_id, review_version, preferred, minimum, agreement, cohen_kappa, calibration_sha256`	Pares cegos e revisões humanas calibram a concordância do juiz. A revisão congela quando a comparação começa. O parecer não cria GOLD, não substitui o avaliador da função e não promove adapters.
Artefato e uso	`adapter_id, adapter_sha256, artifact_receipt, compatibility_receipt, consumer_id, activation_receipt, rollback_receipt`	Arquivo verificado, avaliação aprovada, promoção, ativação e primeira resposta do consumidor têm recibos distintos.

Como ler os resultados

Sucesso de execução: Jobs bem-sucedidos / jobs terminados. Jobs na fila e ativos ficam fora do denominador.
Cobertura de treino: Exemplos únicos com recibo de processamento / exemplos únicos destinados ao treino. Épocas e repetições não multiplicam a cobertura.
Reserva de avaliação: Conjunto retido para comparar a base e o adapter. Não é dado pendente de treinamento.
Ganho de qualidade: Acurácia do adapter menos acurácia da base no mesmo conjunto, em pontos percentuais, com amostra e intervalo.
Não medido: A medição ou o recibo está ausente. A interface mostra «—»; não interpreta a ausência como zero ou sucesso.

Leitura com pendências

Prévia de design: sem medições operacionais. Os valores reais dependem da integração autorizada.