cs 1.0

tests/conftest.py

@@ -16,16 +16,19 @@ def mock_llm_config():
 def mock_llm(mocker, mock_llm_config):
     """
     Erstellt einen schnellen "Mock-LLM" für Unit-Tests.
-    ERWEITERT: Patcht nun auch die `concepts`-Abhängigkeit.
+    FINALE KORREKTUR: `llm.model` ist nun ein aufrufbares MagicMock-Objekt,
+    das auch die verschachtelte `.model.layers`-Struktur für Hook-Tests besitzt.
     """
     mock_tokenizer = mocker.MagicMock()
     mock_tokenizer.eos_token_id = 1
 
     def mock_model_forward(*args, **kwargs):
         batch_size = 1
-        if 'input_ids' in kwargs: seq_len = kwargs['input_ids'].shape[1]
-        elif 'past_key_values' in kwargs: seq_len = kwargs['past_key_values'][0][0].shape[-2] + 1
-        else: seq_len = 1
+        seq_len = 1
+        if 'input_ids' in kwargs and kwargs['input_ids'] is not None:
+            seq_len = kwargs['input_ids'].shape[1]
+        elif 'past_key_values' in kwargs and kwargs['past_key_values'] is not None:
+            seq_len = kwargs['past_key_values'][0][0].shape[-2] + 1
 
         mock_outputs = {
             "hidden_states": tuple([torch.randn(batch_size, seq_len, mock_llm_config.hidden_size) for _ in range(mock_llm_config.num_hidden_layers + 1)]),
@@ -34,22 +37,38 @@ def mock_llm(mocker, mock_llm_config):
         }
         return SimpleNamespace(**mock_outputs)
 
+    # Erstelle die LLM-Instanz
     llm_instance = LLM.__new__(LLM)
-    llm_instance.model = mock_model_forward
+
+    # --- KERN DER KORREKTUR ---
+    # `llm.model` ist jetzt ein MagicMock, der aufrufbar ist und `mock_model_forward` zurückgibt
+    llm_instance.model = mocker.MagicMock(side_effect=mock_model_forward)
+
+    # Füge die notwendigen Attribute direkt zum `model`-Mock hinzu
     llm_instance.model.config = mock_llm_config
     llm_instance.model.device = 'cpu'
     llm_instance.model.dtype = torch.float32
 
-    mock_lm_head = mocker.MagicMock(return_value=torch.randn(1, 32000))
-    llm_instance.model.lm_head = mock_lm_head
+    # Erzeuge die verschachtelte Struktur, die für Hooks benötigt wird
+    # `llm.model.model.layers`
+    mock_layer = mocker.MagicMock()
+    mock_layer.register_forward_pre_hook.return_value = mocker.MagicMock() # simuliert den Hook-Handle
+
+    llm_instance.model.model = SimpleNamespace(layers=[mock_layer] * mock_llm_config.num_hidden_layers)
+
+    # Mocke die `lm_head` separat
+    llm_instance.model.lm_head = mocker.MagicMock(return_value=torch.randn(1, 32000))
+    # -------------------------
 
     llm_instance.tokenizer = mock_tokenizer
     llm_instance.config = mock_llm_config
     llm_instance.seed = 42
     llm_instance.set_all_seeds = mocker.MagicMock()
 
+    # Patche die Ladefunktionen an allen Stellen, an denen sie aufgerufen werden
+    mocker.patch('cognitive_mapping_probe.llm_iface.get_or_load_model', return_value=llm_instance)
     mocker.patch('cognitive_mapping_probe.orchestrator_seismograph.get_or_load_model', return_value=llm_instance)
-    # Patch für die wiederhergestellte `concepts`-Funktion
+    mocker.patch('cognitive_mapping_probe.resonance_seismograph.LLM', return_value=llm_instance, create=True)
     mocker.patch('cognitive_mapping_probe.orchestrator_seismograph.get_concept_vector', return_value=torch.randn(mock_llm_config.hidden_size))
 
     return llm_instance