LLM预测训练集数据重复、长度超出label_llm训练数据问题、

遇到一个场景， 拿几条数据用LORA微调了LLM， 根据Loss看已经接近了0， 但是拿训练集里的数据预测时 ，不管怎么调节generate的参数， 预测结果总是不对， 有整段话重复生成的结果， 有不重复生成， 但是生成的结果超出了label的长度。

经过排查， 原因是训练集构造的时候， 句子的结束符被attention mask掉了， 故模型在计算损失的时候， 虽然Loss为0， 但是这个loss是只计算了attention mask部分的Loss， 下述为错误代码

tokenizer = BloomTokenizerFast.from_pretrained(MODEL_PATH, use_fast=False)
tokenizer.pad_token = tokenizer.eos_token # 这一步代码出问题了
text = text + '\n' + '</s>'
to_regress_tokens = tokenizer(text,
            return_tensors="pt",
            padding="longest",
            truncation=True,
            max_length=160,
            add_special_tokens=False).to(device)
 
 
targets = to_regress_tokens.input_ids.masked_fill(
            to_regress_tokens.input_ids == tokenizer.pad_token_id, -100
        ).to(device) # 导致在这里mask的时候， 忽略了 </s> 终止符