[fix] SFTDataset: keep assistant span when long prompt is truncated

渲染长度超过 max_seq_len 时，原实现从右侧硬截断（input_ids[:max_length]）：
若 "system+tools+user" 前缀超过 max_seq_len，首个 <|im_start|>assistant
标记会被切掉/切残，generate_labels 搜不到 assistant 段，该样本 labels 全 -100，
静默丢失全部监督信号（仍做完整前向/反向，不报错、不影响 loss 曲线）。

以 sft_t2t_mini.jsonl + max_seq_len=340（蒸馏默认配置）全量实测：
905,718 条中 17,821 条（1.97%）labels 全空，其中 17,073 条是 tool-use 样本
（占全部 tool 样本的 20.1%）。

修复：仅当首个 assistant 标记会被截掉/切残，或回复恰好从窗口边界开始
（bos_pos + len(bos_id) >= max_length）时，左移窗口优先保留回复段；
其余样本行为与修复前完全一致（逐位相同）。

验证（全量）：
- sft_t2t_mini：全空 17,821 -> 0 / 905,718；监督 token 均值 248.2 -> 250.9
- lora_medical：修复前后均 0 / 25,276（340 与 768，均值逐项一致）
- 1500 条同种子新旧对比：1473 条原有监督样本逐位一致，0 回归
- train_distillation 冒烟 239 步，loss 有限、无 NaN

dataset/lm_dataset.py

@@ -111,7 +111,18 @@ class SFTDataset(Dataset):
         conversations = pre_processing_chat(sample['conversations'])
         prompt = self.create_chat_prompt(conversations)
         prompt = post_processing_chat(prompt)
-        input_ids = self.tokenizer(prompt).input_ids[:self.max_length]
+        input_ids = self.tokenizer(prompt).input_ids
+        if len(input_ids) > self.max_length:
+            # 若右侧截断会把首个 assistant 头切掉/切残（导致 labels 全 -100、该样本无监督信号），
+            # 则改为左移窗口，优先保留回复段；注意 bos_pos+len(bos_id)==max_length 时回复恰好
+            # 从窗口边界开始、labels 全空，因此边界也需触发左移，条件取 >=
+            bos_pos = next((i for i in range(len(input_ids) - len(self.bos_id) + 1)
+                            if input_ids[i:i + len(self.bos_id)] == self.bos_id), None)
+            if bos_pos is not None and bos_pos + len(self.bos_id) >= self.max_length:
+                start = min(bos_pos, len(input_ids) - self.max_length)
+                input_ids = input_ids[start:start + self.max_length]
+            else:
+                input_ids = input_ids[:self.max_length]
         input_ids += [self.tokenizer.pad_token_id] * (self.max_length - len(input_ids))
         labels = self.generate_labels(input_ids)
         # # === 调试打印 ===