@xiciyang/training-qat
QAT 薄插件：语料 O1 去泄漏 → 公共单体训练循环（training-core，容器内 torchao QAT 假量化）→ 对 QAT 训练后的权重施加真实的 INT8 量化（仓库自己的 llmcompressor INT8，compressed-tensors 产出）→ serving 部署 + 双门禁 + 跨插件对账。依赖长任务 1 冻结的六个 @ai-infra/* 共享库。
插件会安装到这里；不确定时保持 web。
npx -y @deepseek-ai/dsh plugin --profile web add @xiciyang/training-qat@0.1.0Training Qat 以 @xiciyang/training-qat 发布，当前版本为 0.1.0。Plugin Hub 会校验它的 manifest，并保存精确安装来源，便于复现安装结果。
量化感知训练（QAT）：在真实 GPU 上按可选 scheme 训练，产出一个可被量化流程直接消费的 checkpoint，并且拒绝把「看起来没掉点」当成验收通过。
DSH（DeepSeek Harness）插件包，同时可作为普通 Node 库使用。
QAT 最常见的两个假象：
dsh plugin add github:xiciyang/training-qat
要求：
engines.dsh >= 0.2.0 < 0.3.0training_qat_health 会逐项报告optionalDependencies 中显式声明| 工具 | 作用 |
|---|---|
training_qat_prepare | 量化前准备：校准集与测试集不得相交，切分与血缘落盘 |
training_qat_train | 训练：scheme/粒度、预算闸门、权重指纹、checkpoint 保留、审计链 |
training_qat_validate | 验收：精度与性能双侧门禁，先判测量有效性再判数值 |
training_qat_rollback | 回退到指定 run；purge 只允许删本插件 run 目录 |
training_qat_get_report | 取人类可读报告 |
training_qat_health | 环境自检：GPU / 容器 / 镜像 / 基座 / 依赖 |
| 环境变量 | 用途 |
|---|---|
DSH_BASE_MODEL | 基座模型本地目录 |
TRAINING_QAT_ROOT | 运行目录根（默认 ~/.ai-infra） |
量化器镜像等重型依赖缺失时，工具会返回 E_METHOD_UNAVAILABLE 并说明缺哪一层，而不是静默降级成一次「成功的训练」。
node tests/run.mjs
纯逻辑与契约测试应全绿；依赖本机历史 payload 的判据自检在产物缺失时显式 SKIP 并写明原因，不伪装成通过。
BSD-3-Clause。见 LICENSE。