Upload TERMINAL_TASK_QUICKSTART_ZH.md with huggingface_hub
Browse files- TERMINAL_TASK_QUICKSTART_ZH.md +321 -0
TERMINAL_TASK_QUICKSTART_ZH.md
ADDED
|
@@ -0,0 +1,321 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
# Terminal 任务新用户运行指南
|
| 2 |
+
|
| 3 |
+
本文面向拿到 `vibetrainbench/` 项目目录的新用户,说明如何准备 Terminal-Bench 2.1 的训练资源、启动评分服务,并运行一次由外层 Research Agent 驱动的 Terminal 训练任务。
|
| 4 |
+
|
| 5 |
+
> 本文中的项目根目录以 `VTB_REPO` 表示。所有命令均应在项目根目录执行。
|
| 6 |
+
|
| 7 |
+
## 1. 运行内容与前提
|
| 8 |
+
|
| 9 |
+
本项目会启动两部分程序:
|
| 10 |
+
|
| 11 |
+
- 外层 Research Agent:在训练容器中使用基座模型和本地 SFT 数据进行训练,并提交 `final_model/`。
|
| 12 |
+
- 评分服务:独立启动模型服务和 Terminal 基准任务容器,对已提交模型进行评测。
|
| 13 |
+
|
| 14 |
+
运行前请确认:
|
| 15 |
+
|
| 16 |
+
- Linux 主机可访问 Docker daemon,且 Docker 能使用 NVIDIA GPU。
|
| 17 |
+
- 主机可访问所需的镜像、Python 工具、模型和 API 服务。
|
| 18 |
+
- 有足够的磁盘空间存放 Docker 镜像、模型、数据和训练结果;这些运行时内容默认写入 `vtb-env/`。
|
| 19 |
+
- 已准备好外层 Agent 的 API Key。本文示例使用 `claude_dashscope`。
|
| 20 |
+
- 使用内置 `slime_sft_terminal` 配方时,需要为 Agent 分配 8 张 GPU;如硬件数量不同,应创建与硬件拓扑匹配的配方,而不是直接复用此配方。
|
| 21 |
+
|
| 22 |
+
项目的 Terminal 基准 ID 固定为:
|
| 23 |
+
|
| 24 |
+
```text
|
| 25 |
+
terminal-bench__terminal-bench-2-1
|
| 26 |
+
```
|
| 27 |
+
|
| 28 |
+
## 2. 初始化项目与运行环境
|
| 29 |
+
|
| 30 |
+
```bash
|
| 31 |
+
cd /path/to/vibetrainbench
|
| 32 |
+
export VTB_REPO="$PWD"
|
| 33 |
+
|
| 34 |
+
# 检查 Docker 和 GPU 是否可用
|
| 35 |
+
docker info
|
| 36 |
+
nvidia-smi
|
| 37 |
+
|
| 38 |
+
# 安装 Harbor/Pier 后端工具;工具会安装在 vtb-env/tools/ 下
|
| 39 |
+
bash scripts/install_backend_tools.sh
|
| 40 |
+
export PATH="$VTB_REPO/vtb-env/tools/bin:$PATH"
|
| 41 |
+
|
| 42 |
+
# 构建训练、vLLM 和 SGLang 镜像(首次执行耗时较长)
|
| 43 |
+
bash containers/build_image.sh all
|
| 44 |
+
```
|
| 45 |
+
|
| 46 |
+
可用以下命令查看项目解析到的运行时目录:
|
| 47 |
+
|
| 48 |
+
```bash
|
| 49 |
+
python3 -m eval.runner.runtime_paths
|
| 50 |
+
```
|
| 51 |
+
|
| 52 |
+
默认目录如下:
|
| 53 |
+
|
| 54 |
+
```text
|
| 55 |
+
vtb-env/
|
| 56 |
+
├── model_cache/ # 手动准备的训练模型缓存
|
| 57 |
+
├── hf_cache/ # Hugging Face 缓存
|
| 58 |
+
├── tools/ # Harbor、Pier 和 uv 工具
|
| 59 |
+
├── scratch/ # 每个任务的临时工作区
|
| 60 |
+
├── results/ # 任务日志、final_model 和结果
|
| 61 |
+
└── grading_state/ # 评分服务状态和日志
|
| 62 |
+
```
|
| 63 |
+
|
| 64 |
+
## 3. 配置外层 Agent 的 API Key
|
| 65 |
+
|
| 66 |
+
在项目根目录创建 `api_key.env`。此文件不应提交到 Git。
|
| 67 |
+
|
| 68 |
+
```bash
|
| 69 |
+
cat > api_key.env <<'EOF'
|
| 70 |
+
# 使用 claude_dashscope 时必填;替换为真实密钥。
|
| 71 |
+
DASHSCOPE_API_KEY='YOUR_DASHSCOPE_API_KEY'
|
| 72 |
+
|
| 73 |
+
# 中国大陆端点使用 cn;国际端点使用 intl。
|
| 74 |
+
VTB_DASHSCOPE_REGION=cn
|
| 75 |
+
EOF
|
| 76 |
+
chmod 600 api_key.env
|
| 77 |
+
```
|
| 78 |
+
|
| 79 |
+
如改用其他外层 Agent:
|
| 80 |
+
|
| 81 |
+
- `claude`:在 `api_key.env` 中设置 `ANTHROPIC_API_KEY`。
|
| 82 |
+
- `codex`:在 `api_key.env` 中设置 `OPENAI_API_KEY`。
|
| 83 |
+
|
| 84 |
+
## 4. 放置模型与训练数据
|
| 85 |
+
|
| 86 |
+
### 4.1 基座模型
|
| 87 |
+
|
| 88 |
+
内置 Terminal SFT 配方引用的模型资源为 `models/qwen3_5_9b_base`,其缓存位置必须保持以下结构:
|
| 89 |
+
|
| 90 |
+
```text
|
| 91 |
+
vtb-env/model_cache/qwen3_5_9b_base/
|
| 92 |
+
├── hf_checkpoint/ # Qwen/Qwen3.5-9B-Base 的 Hugging Face checkpoint
|
| 93 |
+
└── torch_dist/ # 与该 checkpoint 匹配的 Megatron torch_dist 转换结果
|
| 94 |
+
```
|
| 95 |
+
|
| 96 |
+
`hf_checkpoint/` 内应直接包含 `config.json`、tokenizer 文件、权重分片等 Hugging Face 模型文件,而不是再嵌套一层模型目录。
|
| 97 |
+
|
| 98 |
+
如果只提供 `hf_checkpoint/`,训练脚本会在首次运行时尝试生成缺失的 `torch_dist/`;提前准备二者可减少任务时间和网络依赖。若两个目录都不存在,脚本会尝试从命令中的模型 ID 下载模型,因此离线运行时必须提前放置模型。
|
| 99 |
+
|
| 100 |
+
例如,从一个已下载的模型目录复制:
|
| 101 |
+
|
| 102 |
+
```bash
|
| 103 |
+
mkdir -p vtb-env/model_cache/qwen3_5_9b_base
|
| 104 |
+
cp -a /path/to/qwen3_5_9b_base/hf_checkpoint \
|
| 105 |
+
vtb-env/model_cache/qwen3_5_9b_base/
|
| 106 |
+
cp -a /path/to/qwen3_5_9b_base/torch_dist \
|
| 107 |
+
vtb-env/model_cache/qwen3_5_9b_base/
|
| 108 |
+
```
|
| 109 |
+
|
| 110 |
+
### 4.2 Terminal SFT 数据
|
| 111 |
+
|
| 112 |
+
内置配方使用的数据资源目录是:
|
| 113 |
+
|
| 114 |
+
```text
|
| 115 |
+
training/resources/data/custom/terminal_sft_datasets/
|
| 116 |
+
├── resource_config.json
|
| 117 |
+
└── data/
|
| 118 |
+
├── terminaltraj_20k_sft_max32768.jsonl
|
| 119 |
+
├── tmax_all_rts_style_qwen35_max32768.jsonl
|
| 120 |
+
└── rts_reward1_60k_sft_max32768.jsonl
|
| 121 |
+
```
|
| 122 |
+
|
| 123 |
+
将数据包解压或复制到以上路径,并保留 `resource_config.json` 与 `data/` 的相对层级。每个 JSONL 训练样本必须具有 `messages` 字段。
|
| 124 |
+
|
| 125 |
+
可用以下命令检查资源是否就位:
|
| 126 |
+
|
| 127 |
+
```bash
|
| 128 |
+
test -d vtb-env/model_cache/qwen3_5_9b_base/hf_checkpoint
|
| 129 |
+
test -f training/resources/data/custom/terminal_sft_datasets/resource_config.json
|
| 130 |
+
find training/resources/data/custom/terminal_sft_datasets/data -maxdepth 1 -name '*.jsonl' -type f
|
| 131 |
+
```
|
| 132 |
+
|
| 133 |
+
> `terminal_sft_datasets` 含有多个 JSONL 文件。训练入口不会在多个候选文件间自动选择;Agent 应在其工作区中检查 `train_resource_manifest.lock.json`,并显式设置 `TRAIN_DATA` 为选定的数据文件。
|
| 134 |
+
|
| 135 |
+
### 4.3 从 Hugging Face 恢复资源(可选)
|
| 136 |
+
|
| 137 |
+
如果模型和数据分别发布在 Hugging Face 上,可用 `hf download` 下载到上述目标目录。以下命令中的仓库名和远端子目录请替换为实际发布位置:
|
| 138 |
+
|
| 139 |
+
```bash
|
| 140 |
+
# 模型:下载后应得到 $VTB_ROOT/model_cache/qwen3_5_9b_base/hf_checkpoint/ 和 torch_dist/
|
| 141 |
+
hf download <MODEL_REPO_ID> \
|
| 142 |
+
--repo-type model \
|
| 143 |
+
--local-dir "$VTB_REPO/vtb-env/model_cache/qwen3_5_9b_base"
|
| 144 |
+
|
| 145 |
+
# 数据:下载后应得到 terminal_sft_datasets/resource_config.json 和 data/*.jsonl
|
| 146 |
+
hf download <DATASET_REPO_ID> \
|
| 147 |
+
--repo-type dataset \
|
| 148 |
+
--local-dir "$VTB_REPO/training/resources/data/custom/terminal_sft_datasets"
|
| 149 |
+
```
|
| 150 |
+
|
| 151 |
+
下载完成后必须重新执行上一节的本地检查;尤其注意 Hugging Face 仓库中是否额外多出了一层目录。
|
| 152 |
+
|
| 153 |
+
## 5. 可选:预拉取 Terminal 任务镜像
|
| 154 |
+
|
| 155 |
+
Terminal 任务容器会在首次评测时由 Harbor 拉取。若计划长时间运行,建议预先拉取:
|
| 156 |
+
|
| 157 |
+
```bash
|
| 158 |
+
bash scripts/prefetch_benchmark_images.sh \
|
| 159 |
+
--benchmarks terminal-bench__terminal-bench-2-1
|
| 160 |
+
```
|
| 161 |
+
|
| 162 |
+
该步骤可重复执行。
|
| 163 |
+
|
| 164 |
+
## 6. 启动评分服务
|
| 165 |
+
|
| 166 |
+
`src/run_task.sh` 不会自行启动评分服务。必须先启动服务并确认健康状态。
|
| 167 |
+
|
| 168 |
+
### 6.1 正常运行:评分与训练使用不同 GPU
|
| 169 |
+
|
| 170 |
+
内置 `slime_sft_terminal` 配方为 Agent 使用 8 张 GPU。使用隔离模式时,主机至少需要 9 张 GPU;以下示例将 `0-7` 留给 Agent,并将 GPU `8` 留给评分服务。请按实际设备数量调整,两个 GPU 集合不能重叠。
|
| 171 |
+
|
| 172 |
+
```bash
|
| 173 |
+
source src/commit_utils/set_env_vars.sh
|
| 174 |
+
|
| 175 |
+
VTB_GPU_COORDINATION_MODE=isolated \
|
| 176 |
+
VTB_EVAL_GPU=8 \
|
| 177 |
+
VTB_GRADING_PORT=5800 \
|
| 178 |
+
VTB_SERVE_BACKEND=sglang \
|
| 179 |
+
python3 -m eval.grading.server
|
| 180 |
+
```
|
| 181 |
+
|
| 182 |
+
此命令会持续运行。请在另一个终端检查服务:
|
| 183 |
+
|
| 184 |
+
```bash
|
| 185 |
+
cd "$VTB_REPO"
|
| 186 |
+
source src/commit_utils/set_env_vars.sh
|
| 187 |
+
VTB_GRADING_PORT=5800 python3 -m eval.grading.client health
|
| 188 |
+
```
|
| 189 |
+
|
| 190 |
+
### 6.2 快速验证:评分与训练共享 GPU
|
| 191 |
+
|
| 192 |
+
仅用于快速确认部署链路。它限制评分工作量,不应用于正常实验。
|
| 193 |
+
|
| 194 |
+
```bash
|
| 195 |
+
cd "$VTB_REPO"
|
| 196 |
+
tmux new -d -s vtb_grading_smoke "cd '$VTB_REPO' && \
|
| 197 |
+
source src/commit_utils/set_env_vars.sh && \
|
| 198 |
+
VTB_GPU_COORDINATION_MODE=shared \
|
| 199 |
+
VTB_EVAL_GPUS=0,1,2,3,4,5,6,7 \
|
| 200 |
+
VTB_VAL_SOURCE=split:1 \
|
| 201 |
+
VTB_FINAL_LIMIT=1 \
|
| 202 |
+
VTB_GRADING_PORT=5800 \
|
| 203 |
+
VTB_SERVE_BACKEND=sglang \
|
| 204 |
+
python3 -m eval.grading.server"
|
| 205 |
+
|
| 206 |
+
VTB_GRADING_PORT=5800 python3 -m eval.grading.client health
|
| 207 |
+
```
|
| 208 |
+
|
| 209 |
+
## 7. 先做无训练烟测
|
| 210 |
+
|
| 211 |
+
在正式运行前,建议验证容器、API Key、模型交付和评分服务的完整链路。该测试不使用 Terminal SFT 数据:
|
| 212 |
+
|
| 213 |
+
```bash
|
| 214 |
+
cd "$VTB_REPO"
|
| 215 |
+
VTB_PROMPT=mock_test \
|
| 216 |
+
VTB_GRADING_PORT=5800 \
|
| 217 |
+
bash src/run_task.sh \
|
| 218 |
+
aime__aime \
|
| 219 |
+
claude_dashscope \
|
| 220 |
+
Qwen/Qwen3-1.7B-Base \
|
| 221 |
+
smoke \
|
| 222 |
+
1 \
|
| 223 |
+
qwen3.8-max \
|
| 224 |
+
1
|
| 225 |
+
```
|
| 226 |
+
|
| 227 |
+
确认任务结果目录中出现日志和 `metrics.json` 后,再运行 Terminal 训练任务。
|
| 228 |
+
|
| 229 |
+
## 8. 启动 Terminal SFT 训练任务
|
| 230 |
+
|
| 231 |
+
以下示例使用内置的 `slime_sft_terminal` 配方、Qwen3.5-9B-Base 和 8 张 Agent GPU:
|
| 232 |
+
|
| 233 |
+
```bash
|
| 234 |
+
cd "$VTB_REPO"
|
| 235 |
+
source src/commit_utils/set_env_vars.sh
|
| 236 |
+
|
| 237 |
+
VTB_PROMPT=train_test \
|
| 238 |
+
VTB_GRADING_PORT=5800 \
|
| 239 |
+
VTB_AGENT_GPUS=0,1,2,3,4,5,6,7 \
|
| 240 |
+
VTB_TRAIN_RECIPE=train_test/qwen3_5_9b/slime_sft_terminal \
|
| 241 |
+
VTB_EXPERIMENT_NAME=_terminal_sft_first_run \
|
| 242 |
+
bash src/run_task.sh \
|
| 243 |
+
terminal-bench__terminal-bench-2-1 \
|
| 244 |
+
claude_dashscope \
|
| 245 |
+
Qwen/Qwen3.5-9B-Base \
|
| 246 |
+
terminal_first_run \
|
| 247 |
+
2 \
|
| 248 |
+
qwen3.8-max \
|
| 249 |
+
8
|
| 250 |
+
```
|
| 251 |
+
|
| 252 |
+
参数含义:
|
| 253 |
+
|
| 254 |
+
| 参数 | 示例值 | 说明 |
|
| 255 |
+
|---|---|---|
|
| 256 |
+
| benchmark | `terminal-bench__terminal-bench-2-1` | Terminal 基准 ID |
|
| 257 |
+
| agent | `claude_dashscope` | 外层 Research Agent 类型 |
|
| 258 |
+
| base model | `Qwen/Qwen3.5-9B-Base` | 交给 Agent 训练的基座模型标识 |
|
| 259 |
+
| run ID | `terminal_first_run` | 本次运行的唯一名称 |
|
| 260 |
+
| hours | `2` | Agent 的总墙钟时间预算 |
|
| 261 |
+
| agent config | `qwen3.8-max` | 外层 Agent 使用的服务端模型名 |
|
| 262 |
+
| num GPUs | `8` | 传给 Agent 容器的 GPU 数量 |
|
| 263 |
+
|
| 264 |
+
`VTB_TRAIN_RECIPE` 必须显式设置;配方文件不会仅因存在于 `training/recipes/` 下而被自动加载。
|
| 265 |
+
|
| 266 |
+
## 9. 监控和查看结果
|
| 267 |
+
|
| 268 |
+
运行期间可使用:
|
| 269 |
+
|
| 270 |
+
```bash
|
| 271 |
+
nvidia-smi
|
| 272 |
+
tail -f vtb-env/grading_state/service.log
|
| 273 |
+
```
|
| 274 |
+
|
| 275 |
+
每个任务的主要输出位于:
|
| 276 |
+
|
| 277 |
+
```text
|
| 278 |
+
vtb-env/results/<agent>_<agent-config>_<hours>h.../
|
| 279 |
+
terminal-bench__terminal-bench-2-1_<model>_<run-id>/
|
| 280 |
+
```
|
| 281 |
+
|
| 282 |
+
重点文件:
|
| 283 |
+
|
| 284 |
+
- `output.log`、`error.log`:主启动脚本输出。
|
| 285 |
+
- `solve_out.txt`:外层 Agent 的执行记录。
|
| 286 |
+
- `prompt.txt`:本次运行使用的任务提示。
|
| 287 |
+
- `final_model/`:交付给评分服务的模型。
|
| 288 |
+
- `metrics.json`:评分完成后写入的结果。
|
| 289 |
+
|
| 290 |
+
评分服务的运行日志位于 `vtb-env/grading_state/`。
|
| 291 |
+
|
| 292 |
+
## 10. 常见问题
|
| 293 |
+
|
| 294 |
+
### `docker info` 失败
|
| 295 |
+
|
| 296 |
+
先启动 Docker daemon,或确认当前用户有访问 Docker socket 的权限。若使用 rootless Docker,需要设置 `VTB_DOCKER_ROOTLESS=1` 后再运行项目命令。
|
| 297 |
+
|
| 298 |
+
### 找不到 `harbor` 或 `pier`
|
| 299 |
+
|
| 300 |
+
重新运行:
|
| 301 |
+
|
| 302 |
+
```bash
|
| 303 |
+
bash scripts/install_backend_tools.sh
|
| 304 |
+
export PATH="$VTB_REPO/vtb-env/tools/bin:$PATH"
|
| 305 |
+
```
|
| 306 |
+
|
| 307 |
+
### 评分服务健康检查失败
|
| 308 |
+
|
| 309 |
+
确认评分服务仍在运行、`VTB_GRADING_PORT` 与服务启动时一致,且训练 GPU 与评分 GPU 的配置符合所选协调模式。
|
| 310 |
+
|
| 311 |
+
### `HF_CHECKPOINT not found` 或模型转换耗时很长
|
| 312 |
+
|
| 313 |
+
检查 `vtb-env/model_cache/qwen3_5_9b_base/hf_checkpoint/` 是否存在且内容完整。若提前提供匹配的 `torch_dist/`,可避免首次转换。
|
| 314 |
+
|
| 315 |
+
### `Multiple train_data candidates found`
|
| 316 |
+
|
| 317 |
+
数据资源中有多个 JSONL 文件。请在 Agent 工作区内显式设置 `TRAIN_DATA` 为选定的单个 JSONL 文件,再运行 SFT 入口。
|
| 318 |
+
|
| 319 |
+
### `403 invalid api-key`
|
| 320 |
+
|
| 321 |
+
检查 `DASHSCOPE_API_KEY` 是否正确,并确认 `VTB_DASHSCOPE_REGION` 与密钥所属区域一致(`cn` 或 `intl`)。
|