scripts/07_build_lora2_mix.py

@@ -6,7 +6,7 @@ Corre LOCALMENTE (sin GPU, sin modelo, sin tokenizer). Determinista.
 
 Produce tres archivos NUEVOS -- nunca toca data/train.jsonl ni data/eval.jsonl:
 
-    data/train_lora2.jsonl    900 ejemplos
+    data/train_lora2.jsonl    900 ejemplos (mezcla de 1000, partida 90/10)
     data/eval_lora2.jsonl     ~100 ejemplos, estratificado por porcion
     data/calibration_v2.jsonl 256 ejemplos para la calibracion NVFP4
 
@@ -69,7 +69,14 @@ EVAL_OUT = Path(os.environ.get("EVAL_LORA2_OUT", REPO_ROOT / "data" / "eval_lora
 CALIB_OUT = Path(os.environ.get("CALIB_V2_OUT", REPO_ROOT / "data" / "calibration_v2.jsonl"))
 
 SEED = 6006
-N_TRAIN = 900
+
+# La mezcla se arma con 1000 ejemplos y se parte 90/10, de modo que TRAIN queda en exactamente
+# 900. Ese 900 no es cosmetico: 900/16 = 56.25 pasos por epoca x 3 epocas = 168 pasos, que el
+# plan aparea deliberadamente con los 166 de la Fase 3 para que la longitud de la trayectoria
+# del optimizador sea comparable. Armar 900 y despues sacarle el eval dejaria 811 -> 152 pasos,
+# y la comparacion se rompe sin que nada avise.
+N_MIX = 1000
+N_TRAIN_ESPERADO = 900
 EVAL_FRACTION = 0.10
 N_CALIBRATION = 256
 
@@ -88,22 +95,24 @@ PORTION_OF_GROUP = {
     "D": "api_recuperacion",
 }
 
+# Los targets son sobre la mezcla de 1000; las proporciones son las mismas que documenta el
+# docstring (33.3 / 6.7 / 4.4 / 2.2 y 53.3 de replay).
 PORTION_TARGETS = {
-    "diseno": 300,
-    "api_forma_correcta": 60,
-    "api_recuperacion": 40,
-    "api_preguntar": 20,
+    "diseno": 333,
+    "api_forma_correcta": 67,
+    "api_recuperacion": 44,
+    "api_preguntar": 23,
 }
 
 # Replay: bucket de origen en data/train.jsonl -> cuantos ejemplos tomar.
 REPLAY_TARGETS = {
-    "replay": 180,
-    "otros_mcps": 120,
-    "skills_adherencia": 70,
-    "negativos_delegacion_errores": 65,   # union de los tres buckets chicos
+    "replay": 200,
+    "otros_mcps": 133,
+    "skills_adherencia": 78,
+    "negativos_delegacion_errores": 72,   # union de los tres buckets chicos
 }
 REPLAY_UNION_BUCKETS = ("negativos", "delegacion_subagentes", "manejo_errores")
-N_PENPOT_BASICOS = 45
+N_PENPOT_BASICOS = 50
 
 # Patrones prohibidos. La fuente de verdad es scripts/07_lint_penpot_code.py; aca se re-declaran
 # los que aplican al SCAN de replay (no hace falta el set completo: lo que se busca es descartar
@@ -130,20 +139,89 @@ def load_jsonl(path):
     return out
 
 
-def has_forbidden(example):
-    """True si el ejemplo serializado contiene algun patron de la API vieja."""
-    blob = json.dumps(example, ensure_ascii=False)
-    for _, rx in FORBIDDEN_REPLAY:
-        if rx.search(blob):
-            return True
-    return False
+def code_payloads(example):
+    """Los payloads de `code` del ejemplo, que es lo unico donde un patron prohibido es un bug."""
+    out = []
+    for msg in example.get("messages", []):
+        for tc in msg.get("tool_calls") or []:
+            args = tc.get("function", {}).get("arguments")
+            if isinstance(args, dict) and "code" in args:
+                out.append(args["code"])
+    return out
 
 
 def forbidden_hits(example):
-    blob = json.dumps(example, ensure_ascii=False)
+    """Patrones de la API vieja presentes en el CODIGO del ejemplo.
+
+    Se escanea solo el `code`, nunca el ejemplo serializado entero. Escanear la prosa marca
+    como infractores justo a los seeds correctivos: el que arranca con el usuario pidiendo
+    "Importa esta imagen con import_image", el que cita verbatim la linea del overview que
+    menciona `import_image`, el que explica que `board.layout` no existe, el que aclara que
+    `filePath` esta eliminado del schema. Todos ellos NOMBRAN la API equivocada precisamente
+    para ensenar a no usarla; bloquearlos seria bloquear la correccion.
+    """
+    blob = "\n".join(code_payloads(example))
     return [name for name, rx in FORBIDDEN_REPLAY if rx.search(blob)]
 
 
+def has_forbidden(example):
+    return bool(forbidden_hits(example))
+
+
+def error_strings():
+    """Los strings de error verbatim de data/schemas/penpot_errors.md."""
+    text = (REPO_ROOT / "data" / "schemas" / "penpot_errors.md").read_text(encoding="utf-8")
+    out = set()
+    for line in text.splitlines():
+        if line.startswith("|"):
+            for cell in line.strip().strip("|").split("|"):
+                out.update(re.findall(r"`([^`]+)`", cell))
+    return out
+
+
+ERROR_STRINGS = error_strings()
+
+
+def unexplained_forbidden(example):
+    """Patrones de la API vieja que NO son un error intencional corregido.
+
+    Misma regla mecanica que scripts/07_lint_penpot_code.py: un payload puede traer un patron
+    prohibido si y solo si (a) su tool result es un string de error real de la allow-list, y
+    (b) un payload POSTERIOR del mismo ejemplo hace lo mismo SIN el patron. O sea: el error
+    tiene que haber ocurrido de verdad y tiene que haber sido corregido.
+
+    Se deriva del contenido, no de la porcion ni de una bandera en `meta`. Apoyarse en la
+    porcion se rompe en cuanto un seed de recuperacion de error vive en un grupo que no es el
+    de recuperacion -- que es exactamente el caso del seed de aridad de `findShapeById` del
+    grupo A1, cuyo lugar natural es la familia de busqueda.
+    """
+    msgs = example.get("messages", [])
+    fallidas = {
+        m.get("tool_call_id")
+        for m in msgs
+        if m.get("role") == "tool" and (m.get("content") or "").strip() in ERROR_STRINGS
+    }
+    llamadas = []
+    for m in msgs:
+        for tc in m.get("tool_calls") or []:
+            args = tc.get("function", {}).get("arguments")
+            if isinstance(args, dict) and "code" in args:
+                llamadas.append((tc.get("id"), args["code"]))
+
+    sin_explicar = []
+    for nombre, rx in FORBIDDEN_REPLAY:
+        for idx, (cid, code) in enumerate(llamadas):
+            if not rx.search(code):
+                continue
+            corregido = cid in fallidas and any(
+                not rx.search(c) for _, c in llamadas[idx + 1:]
+            )
+            if not corregido:
+                sin_explicar.append(nombre)
+                break
+    return sin_explicar
+
+
 def paraphrase_variants(seed_ex):
     """Expande un seed en sus variantes de prompt.
 
@@ -320,9 +398,9 @@ def main():
         mixed.extend(sample_replay(rows, target, rng, label))
 
     # ---- 4. verificaciones duras -----------------------------------------------------------
-    if len(mixed) != N_TRAIN:
+    if len(mixed) != N_MIX:
         raise SystemExit(
-            f"[ABORT] la mezcla tiene {len(mixed)} ejemplos, se esperaban {N_TRAIN}. "
+            f"[ABORT] la mezcla tiene {len(mixed)} ejemplos, se esperaban {N_MIX}. "
             f"Revisar PORTION_TARGETS / REPLAY_TARGETS / N_PENPOT_BASICOS."
         )
 
@@ -330,19 +408,19 @@ def main():
     # que se identifican mecanicamente: su porcion es 'api_recuperacion'.
     offenders = []
     for i, ex in enumerate(mixed):
-        if ex["meta"].get("porcion") == "api_recuperacion":
-            continue
-        hits = forbidden_hits(ex)
+        hits = unexplained_forbidden(ex)
         if hits:
             offenders.append((i, ex["meta"].get("porcion"), hits))
     if offenders:
-        print(f"\n[ABORT] {len(offenders)} ejemplo(s) de la mezcla final contienen patrones de la "
-              f"API vieja fuera de la porcion de recuperacion de error:")
+        print(f"\n[ABORT] {len(offenders)} ejemplo(s) de la mezcla final usan la API vieja en su "
+              f"`code` sin que sea un error real corregido despues:")
         for i, portion, hits in offenders[:20]:
             print(f"    #{i} (porcion={portion}): {hits}")
         sys.exit(1)
-    print("[OK] cero patrones de la API vieja en la mezcla final "
-          "(fuera de la porcion de recuperacion de error, donde son el material didactico)")
+    n_intencionales = sum(1 for ex in mixed if forbidden_hits(ex))
+    print(f"[OK] cero usos injustificados de la API vieja en la mezcla final "
+          f"({n_intencionales} ejemplos la contienen como error real corregido despues, que es "
+          f"el material didactico de recuperacion)")
 
     # Guarda anti-colapso, analoga a la de 05_build_dataset.py. Sin ella, la porcion nueva puede
     # ser 420 ejemplos que son 96 trayectorias repetidas 4.4 veces cada una, y nada lo diria: el
@@ -384,6 +462,13 @@ def main():
     # ---- 5. split y escritura ---------------------------------------------------------------
     split_rng = random.Random(SEED)
     train, eval_ = stratified_split(mixed, split_rng)
+    if len(train) != N_TRAIN_ESPERADO:
+        print(f"[WARN] train quedo en {len(train)} y no en {N_TRAIN_ESPERADO}: los pasos de "
+              f"entrenamiento van a ser {round(len(train) / 16 * 3)} en vez de 168. Es por el "
+              f"redondeo del split por porcion; ajustar PORTION_TARGETS/REPLAY_TARGETS si "
+              f"importa la comparabilidad exacta con la Fase 3.")
+    print(f"[INFO] pasos de entrenamiento proyectados: {len(train)}/16 x 3 epocas = "
+          f"{round(len(train) / 16 * 3)}")
     write_jsonl(TRAIN_OUT, train)
     write_jsonl(EVAL_OUT, eval_)