run-train

run-train

これを Rigor Train スキルとして使用してください。互換性のため、インストール済みのスラッグは run-train のままです。

../ai-research-reproduction/references/agent-operating-principles.md にある共通の運用原則を使用してください。このスキルでは、トレーニングのエビデンスを適切な範囲に保ち、リポジトリ固有のモニタリングの詳細はモデルに委ねます。

適用する場合

• トレーニングコマンドがすでに選択されており、慎重に実行する必要がある場合。
• 研究者が、起動時の検証、短時間実行の検証、トレーニング全体の開始、または再開への対応を求めている場合。
• 実行状況、チェックポイント、メトリクスを構造化して報告する必要がある場合。

適用しない場合

• 主なタスクが環境のセットアップまたはアセットのダウンロードである場合。
• 研究者が推論のみ、または評価のみの実行を求めている場合。
• タスクが推測的な探索、複数バリエーションのスイープ、自律的なアイデアの実装である場合。
• ユーザーがまだリポジトリの初期調査や論文とのギャップ解消を必要としている場合。

明確な境界

• このスキルは、選択済みのトレーニングコマンドを実行し、得られたエビデンスを標準化します。
• 研究全体の目標を独自に選択することはありません。
• 探索的な分岐や推測に基づくコードの適応は担当しません。
• 部分的な実行、ブロック中、再開、開始済みの各状態を明確に記録する必要があります。
• 入手可能な場合は、設定、シード、チェックポイント、ログ、メトリクス、実行時の前提条件など、再現性に関する情報を保持する必要があります。

入力要件

• 選択済みのトレーニング目標
• 実行可能なトレーニングコマンド
• 環境とアセットに関する前提条件
• 起動時の検証、短時間実行の検証、全体の開始、再開などの実行モード

出力要件

• train_outputs/SUMMARY.md
• train_outputs/COMMANDS.md
• train_outputs/LOG.md
• train_outputs/SCIENTIFIC_CHANGELOG.md
• train_outputs/COMPARABILITY_REPORT.md
• train_outputs/status.json

注記

references/training-policy.md、../ai-research-reproduction/references/deep-learning-experiment-principles.md、scripts/run_training.py、scripts/write_outputs.py を使用してください。