.

.deepspeed_env

@@ -1,7 +1,9 @@
 WANDB_BASE_URL=https://wandb.szaiai.com
 WANDB_API_KEY=local-701636f51b4741d3862007df5cf7f12cca53d8d1
 WANDB_PROJECT=ds-qwen3
-WANDB_GROUP=q3-1.7b-ds4-2025-09-05
-WANDB_RUN_ID=q3-31.7b-lr2e-5-train2
+WANDB_ENTITY=hailin
+WANDB_GROUP=q3-32b-ds4-2025-09-05
+WANDB_NAME=q3-32b-lr2e-5-train2
 WANDB_RESUME=allow
-export WANDB_DIR=/tmp/$USER/wandb
+WANDB_INIT_TIMEOUT=300
+WANDB_DIR=/tmp/$USER/wandb

mm-zero3.sh

@@ -41,6 +41,7 @@ deepspeed --hostfile hostfile \
     --bf16 \
     --deepspeed /home/test/jd_train/ds_config_zero3.json \
     --report_to wandb \
+    --wandb_project ds-qwen3 \
     --eval_steps 10 \
     --eval_data_glob "/home/test/datasets/my_corpus/test.jsonl"
 

train_sft_ds.py

@@ -9,6 +9,12 @@ os.environ.setdefault("TOKENIZERS_PARALLELISM", "false")
 os.environ.setdefault("WANDB_START_METHOD", "thread")
 os.environ.setdefault("WANDB_DIR", f"/tmp/{os.environ.get('USER','user')}/wandb")
 
+# ★ 新增：自建服务的 base_url（避免走默认的 cloud）
+os.environ.setdefault("WANDB_BASE_URL", "https://wandb.szaiai.com")
+# （可选）某些版本支持这个 env；真正生效仍以下面的 Settings(init_timeout=...) 为准
+os.environ.setdefault("WANDB_INIT_TIMEOUT", "300")
+
+
 import glob
 import socket
 import argparse
@@ -1000,6 +1006,38 @@ def main():
     if args.report_to == "wandb":
         os.environ.setdefault("WANDB_PROJECT", args.wandb_project)
 
+
+        # 仅在 rank0 预初始化 W&B
+        is_rank0 = os.environ.get("RANK", "0") == "0" and os.environ.get("LOCAL_RANK", "-1") in ("0", "-1")
+        if is_rank0:
+            import wandb
+            try:
+                # 避免外部遗留的 RUN_ID 强制续跑导致卡住
+                os.environ.pop("WANDB_RUN_ID", None)
+
+                # 可选字段从环境注入（有就用）
+                extra = {}
+                if os.getenv("WANDB_NAME"):   extra["name"]   = os.getenv("WANDB_NAME")
+                if os.getenv("WANDB_GROUP"):  extra["group"]  = os.getenv("WANDB_GROUP")
+                if os.getenv("WANDB_RESUME"): extra["resume"] = os.getenv("WANDB_RESUME")  # 建议 'allow'
+
+                run = wandb.init(
+                    project=args.wandb_project,
+                    entity=os.getenv("WANDB_ENTITY") or os.getenv("WB_ENTITY") or "hailin",
+                    settings=wandb.Settings(
+                        base_url=os.getenv("WANDB_BASE_URL", "https://wandb.szaiai.com"),
+                        init_timeout=int(os.getenv("WANDB_INIT_TIMEOUT", "300")),
+                    ),
+                    **extra,
+                )
+                print(f"[wandb] run url: {getattr(run, 'url', '(n/a)')}", flush=True)
+            except Exception as e:
+                print(f"[wandb] init failed -> disable logging, reason={e}", flush=True)
+                os.environ["WANDB_DISABLED"] = "true"
+                args.report_to = "none"
+        else:
+            os.environ["WANDB_DISABLED"] = "true"    
+
     # 版本 & 启动参数 & 关键环境变量
     import transformers as hf
     try:
@@ -1304,6 +1342,8 @@ def main():
     ta_kwargs2 = dict(
         output_dir=args.output_dir,
         logging_dir=logging_dir,
+        # ★ 新增：自定义 run_name，避免等于 output_dir 的 warning
+        run_name=f"sft-{os.path.basename(args.output_dir)}-{socket.gethostname()}",        
         do_train=True,
         do_eval=(eval_dataset is not None),
         # eval_steps=max(50, args.save_steps // 5) if eval_dataset is not None else None,