训练自回归语言模型的关键在于稳住训练动态、控制信息泄露、对齐真实生成逻辑，需严守词表对齐、学习率warmup、梯度控制与生成式评估四大核心细节。
训练自回归语言模型（如GPT类模型）的核心不在于堆参数，而在于稳住训练动态、控制信息泄露、对齐真实生成逻辑。下面这些细节常被教程忽略，但直接决定收敛速度、生成质量与显存效率。
词表与输入对齐：别让padding破坏自回归性
自回归本质是“用前面所有token预测下一个”，所以训练时必须确保每个位置只能看到其左侧上下文。常见错误是：在batch内做统一长度截断+padding后，未屏蔽padding位置的loss贡献，导致模型从[PAD]学到了虚假依赖。
- 始终使用causal mask（上三角mask为0），PyTorch中可用
torch.nn.TransformerDecoder的is_causal=True或手动构建 - 计算loss时，跳过所有padding token对应位置——不是简单用
ignore_index，而是对每个样本单独mask掉其实际padding索引（尤其当batch内序列长度差异大时） - 词表设计建议保留[BOS]（非必需）但必须有[EOS]；训练时将[EOS]作为目标label的最后一个有效token，不预测它之后的内容
学习率与warmup：小步快跑比猛踩油门更稳
自回归模型对初始梯度极敏感，尤其在低数据量或小模型上，lr稍高就易发散。标准的线性warmup（如500步）常不够，需结合序列长度和batch size动态调整。
- warmup步数建议设为
max(500, total_tokens_seen // (batch_size × seq_len) × 0.1)，确保前10%训练步覆盖足够多token模式 - 峰值lr推荐按
6e-4 / sqrt(d_model)粗估（如d_model=768 → lr≈2.2e-4），再根据loss曲线微调：若前1k步loss下降慢且震荡小，可略提lr；若loss突升或nan，立即降为原1/2 - 不用step decay，改用cosine decay with restarts（周期10k–50k步），能更好跳出局部最优
梯度控制：防爆炸、保信息、省显存
长序列+大模型下，梯度norm波动剧烈，单纯clip norm易削掉有用信号。关键在分层处理+梯度检查点协同。
立即学习“Python免费学习笔记（深入）”；
- 梯度裁剪用
torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0, error_if_nonfinite=True)，设error_if_nonfinite=True早发现nan - 启用gradient checkpointing时，只对transformer block内部启用（
torch.utils.checkpoint.checkpoint包裹attn+ffn），避免在embedding或lm-head处checkpoint导致反向传播断裂 - 每100步打印一次各层梯度均值（
param.grad.abs().mean().item()），若底层梯度比顶层小10倍以上，说明信息未有效回传，需检查残差连接或初始化
评估与早停：用生成式指标代替困惑度幻觉
验证集perplexity（PPL）容易虚低——尤其当验证集分布偏简单或含大量重复短句时。必须引入轻量生成测试。
- 每个epoch末，用当前模型生成100条长度≥32的文本（top-k=50, temperature=0.8），人工抽检是否出现无意义重复（如“the the the”）、主题漂移、语法断裂
- 自动指标只用n-gram重复率（n=3,4）和prompt-consistency score（给定同一prompt多次生成，计算句子嵌入余弦相似度均值），二者同时恶化即触发早停
- 不保存最低PPL模型，改保存生成稳定性最高的checkpoint（即最近3次eval中重复率方差最小的）
基本上就这些。没有银弹，但守住mask、warmup、梯度、评估这四条线，90%的训练失败都能提前拦截。
