# 1C LoRA Training

Цель: обучить draft LoRA adapter `qwen3-coder-30b-a3b-1c-lora-v1` поверх `qwen3-coder-30b-a3b-instruct`.

## Preconditions

- Полностью скачана базовая модель: `/models/base/qwen3-coder-30b-a3b-instruct`.
- Подготовлен датасет: `plugins/1c/training/prepared/train.chat.jsonl`.
- Есть GPU/CUDA на `docker-gpu.cin.su`.
- В датасете достаточно проверенных примеров. Синтетические 2 записи подходят только для smoke-run, не для полезного качества.

## Current Preflight Status

На 2026-07-04 локальный preflight для нового Qwen3-Coder training contour не стартует, потому что:

- локально нет CUDA/GPU;
- training-зависимости не установлены в локальный Python;
- HF-база `qwen3-coder-30b-a3b-instruct` еще не лежит в `/models/base/qwen3-coder-30b-a3b-instruct` на текущем workspace path;
- запускать обучение нужно на `docker-gpu.cin.su`, потому что именно там есть GPU-контур для этой модели.

Если файл будет удален или поврежден, восстановить/докачать базовую модель можно так:

```powershell
python scripts/download_hf_range.py qwen3-coder-30b-a3b-instruct `
  --local-dir models/base/qwen3-coder-30b-a3b-instruct `
  --chunk-size 16mb `
  --retries 20
```

## Prepare Dataset

```powershell
python scripts/validate_1c_training_data.py plugins/1c/training/examples/instruction.examples.jsonl
python scripts/prepare_1c_training_data.py --input plugins/1c/training/examples/instruction.examples.jsonl --output plugins/1c/training/prepared/train.chat.jsonl
```

## Local Preflight

```powershell
python scripts/preflight_1c_training.py
```

## Dry Run

```powershell
python scripts/train_1c_lora.py --dry-run
```

## GPU Docker Run

```powershell
docker --host ssh://docker-gpu.cin.su compose --env-file core/deploy/docker-gpu/training/1c-lora.env.example -f core/deploy/docker-gpu/training/1c-lora.compose.yaml up --abort-on-container-exit
```

Или через готовый wrapper:

```powershell
powershell -NoProfile -ExecutionPolicy Bypass -File scripts/run_1c_lora_training_gpu.ps1
```

Full end-to-end orchestration for the current `Q6` route:

```powershell
powershell -NoProfile -ExecutionPolicy Bypass -File scripts/train_and_publish_q6_lora.ps1
```

Preview the whole flow without executing:

```powershell
powershell -NoProfile -ExecutionPolicy Bypass -File scripts/train_and_publish_q6_lora.ps1 -PlanOnly
```

Troubleshooting:

```text
docs/runbooks/q6-lora-troubleshooting.md
```

## Output

Adapter path:

```text
/models/adapters/1c/qwen3-coder-30b-a3b-1c-lora-v1
```

After a successful training run:

1. Run `plugins/1c/evals/smoke.yaml`.
2. Convert the adapter for `llama.cpp` GGUF format or merge it before rebuilding the Q6 GGUF deployment artifact.

GGUF adapter export on `docker-gpu`:

```powershell
powershell -NoProfile -ExecutionPolicy Bypass -File scripts/convert_1c_lora_to_gguf_gpu.ps1
```

The default output path is:

```text
/models/adapters/1c/qwen3-coder-30b-a3b-1c-lora-v1.gguf
```

If the export container should reuse an existing `llama.cpp` checkout on the host without pulling updates:

```powershell
powershell -NoProfile -ExecutionPolicy Bypass -File scripts/convert_1c_lora_to_gguf_gpu.ps1 -SkipClone
```

3. To launch the current GPU Q6 route with a converted adapter, use:

```powershell
powershell -NoProfile -ExecutionPolicy Bypass -File scripts/manage_gpu_q6_service.ps1 `
  -Action start `
  -LoraPath /models/adapters/1c/qwen3-coder-30b-a3b-1c-lora-v1.gguf
```

If you need a custom adapter scale, pass `-LoraScale 0.5` or another value.
4. Compare base, RAG, and adapter outputs.
5. Promote model card from `draft` only after expert review.