обновлен формат генерации датасета

2026-10-22 10:07:05 +10:00
parent 9e551a2ca9
commit 1059b47978
29 changed files with 2230 additions and 468 deletions
@@ -0,0 +1,44 @@
+# Число итоговых обучающих строк СУММАРНО по full/step/branch.
+# CLI --count имеет приоритет. Можно указать 0, 1, 100, 500000 и т.д.
+target_examples: 500000
+seed: 20261021
+output_dir: dataset/assembly-ru
+prompts_file: prompts.yaml  # инструкции LLM и обучающих записей
+modes: [full, step, branch]
+step_sampling: one  # one: один шаг на эпизод; all: каждый шаг отдельной строкой
+shard_size: 1000
+split: [1.0, 0.0, 0.0]  # разделение по сценарию; малые наборы не гарантируют все split
+min_components: 1
+max_components: 10
+blocked_fraction: 0.2
+domains:
+  - manipulation
+  - mechanical
+  - fastening
+  - press_fit
+  - electrical
+  - electronics
+  - adhesive
+  - welding
+  - collaborative
+  - inspection
+  - operator_assistance
+teacher:
+  enabled: true  # false: полностью локальная генерация без API
+  fraction: 1.0
+  concurrency: 4
+  timeout_seconds: 180
+  retries: 2
+  # llm:
+  #   provider: openai
+  #   model: your-provider/your-model
+  #   api_key_env: API_KEY
+  #   base_url_env: BASE_URL
+  # Для существующей интеграции Codex замените llm выше:
+  llm:
+    provider: codex
+    model: gpt-6-astra
+    credential_path: .config/codex-credentials.json
+  generation:
+    temperature: null
+    max_tokens: 8192