card: fix opd-32b-deploy provenance (v33/job135076/step_200, not the V32 158-collapse) + add opd-32b-v33-s150

README.md

@@ -16,9 +16,31 @@ tags:
 |---|---|---|
 | `soft-distill-7b-deploy/` | stage1-v2-7b soft-distill v2 (deploy) | off-policy soft distillation 完成版（bf16），含 tokenizer + chat template |
 | `soft-distill-32b-deploy/` | stage1-v2-32b soft-distill v2 (deploy) | 32B off-policy soft distillation（bf16, rope-legacy deploy config），含 tokenizer + chat template |
-| `opd-32b-deploy/` | **32B agentic OPD v2（v33, step_200）** | **on-policy distillation**（teacher = DeepSeek-V4-Flash），student lineage = stage1-v2-32b-softdistill-v2test（GQA-8, YaRN）。bf16 deploy（rope-legacy config）+ tokenizer + chat template。**研究快照**：該 run 因 length 自我放大於 step ~158 喊停；step_200 ckpt 於 IMO-ProofBench v2 agentic-loop 量到 4.48/7（grader = flash，僅供內部相對比較） |
+| `opd-32b-deploy/` | **32B agentic OPD v2 — v33 / job 135076 / step_200** | **on-policy distillation**（teacher = DeepSeek-V4-Flash），student lineage = stage1-v2-32b-softdistill-v2test（GQA-8, YaRN）。bf16 deploy（rope-legacy config + hybrid-SWA）+ tokenizer + chat template。**目前部署主檔**。IMO-ProofBench v2 agentic-loop（prove→verify→refine→select）量到 **4.48/7**（grader = flash，僅供內部相對比較）。版本來龍去脈見下方「OPD 32B 版本說明」。 |
+| `opd-32b-v33-s150/` | **32B agentic OPD v2 — v33 / job 135076 / step_150** | 與 `opd-32b-deploy`（step_200）**同一條健康 run** 的較早 checkpoint，可做 s150 vs s200 比較。同 deploy 格式（bf16 / rope-legacy / hybrid-SWA）+ tokenizer + chat template。 |
 | `dflash-7b-draft/` | DFlash draft for 7B target | SGLang 可部署 draft（speculative decoding） |
 | `dflash-32b-draft/` | DFlash draft for **stage1-v2-32b** target (s5317) | SGLang 可部署 draft；對齊舊 32B deploy target |
 | `dflash-32b-draft-v2test/` | **DFlash draft for stage1-v2-32b-softdistill-v2test target** | **新 v2test target 的 draft**，SWA512 / block_size 11 / 8L / GQA-8。**step-10000 快照**＝short-context curriculum warm-up（phase-1）；長 context 特化（phase-2）尚未跑，非 final |
 
 DFlash draft 只含 `config.json` + `model.safetensors`（已 reshard 成多 shard），需搭配**對應的** target 模型使用（注意 v2test draft 對應 v2test target，與舊 `dflash-32b-draft` 的 target 不同）。
+
+## OPD 32B 版本說明（哪個是哪個）
+
+agentic semi-on-policy OPD 32B（student = stage1-v2-32b-softdistill-v2test、teacher = DeepSeek-V4-Flash）一共訓練過兩次：
+
+- **V32 = job 134244**：在 step ~148–158 因 length 自我放大崩盤（eos 90%→13%、cap-hit→87%）後喊停，最後 checkpoint 只到 step_150。**此 run 的權重未收進本 bundle。**
+- **V33 = job 135076**：加了 cap-hit admission filter（+ fast sharded save + 拓樸 rebalance），健康跑到 step 237 後（user）喊停，存了 step_150 與 step_200。**本 bundle 的 `opd-32b-deploy`（= step_200）與 `opd-32b-v33-s150`（= step_150）都來自這條 run。**
+
+> ⚠️ 先前版本的 card 把「step ~158 喊停」誤接在 step_200 上——那是 V32（134244）的崩盤，與本 bundle 的 step_200（來自 V33/135076）無關，已更正。
+
+> ⚠️ V33 的 cap-hit filter 是在**訓練端**減緩 length 自我放大、讓 run 不崩；蒸餾出的 student **在推理時仍帶 OPD reverse-KL 的 loop 傾向**（例如 refine 階段思考會落入重複吸引子、一路衝到 token cap）。這是 OPD reverse-KL 的通性，與「run 停在第幾步」無關。
+
+### 部署權重的產生方式（s150 / s200 同一 recipe）
+
+```bash
+# step_NNN 訓練 checkpoint（DCP + consolidated hf/）→ serve-ready deploy dir
+python deploy/make_olmo3sink_deploy.py \
+  --src training/opd_v2/runs/agentic_32b_lc140k_v33/checkpoints/step_000NNN/hf \
+  --dst outputs/agentic_32b_lc140k_v33-sNNN-deploy
+python deploy_kaggle/enable_swa_config.py outputs/agentic_32b_lc140k_v33-sNNN-deploy
+```