huawei-cloud-cloudrobo-model-workflow

CloudRobo 模型开发编排工作流

编排整个流程：资产查询 → 模型训练 → 推理部署 → 真实机器人评测 → 结果输出。全程使用 CLI 命令；禁止使用 Python SDK。

**Windows / PowerShell：**示例使用 bash 语法。在 Windows PowerShell 中运行：

• 将 \ 续行符合并为一行，或在行尾使用反引号。
• 使用 $env:NAME="value" 设置环境变量，而不是 export NAME="value"。
• 单引号括起来的 JSON '{"a":"b"}' 可直接使用。

---

概览

流程阶段

Stage 0: Use Case Parsing      → Extract robot type + task, select model; parse dataset source
Stage 1: Asset Query & Dataset → Query model/algorithm/dataset assets; get default hyperparams and confirm; OpenPI model constructs data.rename_map
Stage 2: Model Training        → CLI create-task creates training task, poll until complete
Stage 3: Inference Deployment  → CLI infer create deploys inference service
Stage 4: Real-Robot Evaluation → CLI dispatch create-task dispatches task to real robot (session_id=workspace_id, no session creation needed)
Stage 5: Result Output         → Output evaluation score and report

执行模式

模式	用户意图示例	阶段
完整流程	"用 so101 训练插笔任务并评测"	Stage 0→5
训练+部署	"训练完帮我部署推理服务"	Stage 0→3
部署+评测	"我模型训练好了，帮我部署评测"	Stage 3→5

不得跳过阶段依赖：评测依赖推理服务处于 RUNNING 状态；部署依赖训练处于 FINISHED 状态；训练依赖资产信息。从中间阶段开始时，用户必须提供前序阶段的输出参数。

跳过阶段时的输入要求

开始阶段	用户必须提供	提示词
Stage 2	base_model_asset_id, dataset_asset_id	"Please provide base model asset_id and dataset asset_id"
Stage 3	output_model_asset_id, output_model_version_id	"Please provide training output model asset_id and version_id"
Stage 4	service_id	"Please provide inference service service_id"

数据流约定

来源 → 目标	传递值
Stage 0 → 1	model_keyword, dataset_source, dataset_value, robot_type
Stage 1 → 2	base_model_asset_id/version_id, algorithm_asset_id/version_id, train_method, default_hyperparams, dataset_asset_id/version_id, data.rename_map（仅限 OpenPI）
Stage 2 → 3	output_model_asset_id, output_model_version_id
Stage 3 → 4	service_id
Stage 4 → 5	robot_id, task_id, task_status, task_result

---

前置条件

1. 已安装并完成身份验证的 cloudrobo CLI（HUAWEI_CLOUD_AK / HUAWEI_CLOUD_SK）
2. 已通过 cloudrobo workspace use <id> 设置 workspace_id
3. 市场中有可用的基础模型资产
4. 用户提供数据集：已注册资产、OBS 路径或本地目录
5. 已注册并在线的真实机器人

Windows/PowerShell 注意事项：PowerShell 在解析含有 |、" 等特殊字符的 JSON 时可能出现问题。传递复杂的 JSON 参数时，请将 JSON 写入临时文件，并使用 Python subprocess 调用 CLI（这不是 SDK，只是用于绕过 PowerShell 编码问题的 CLI Python 封装程序）。请参阅 references/cli-installation-guide.md。

---

工作流

Stage 0：用例解析

从用户输入中提取：机器人类型、任务描述、数据集来源。

模型选择

用户指定模型 → 直接使用。

用户未指定模型 → 查询市场预置模型，并使用提问工具询问用户：

cloudrobo asset list-publication-assets --type model

• 列出所有可供用户选择的预置模型，并将推荐模型标记为“(Recommended)”
• 不要默认选择推荐模型——用户可能想使用 ACT、DP 或其他模型

机器人 → 推荐模型映射

机器人	推荐模型
so101 / jaka / franka / general	LeRobot_PI05-Base

数据集来源解析

用户输入	类型	处理方式
资产名称/asset_id	user_specified	在 Stage 1 搜索此资产
OBS 路径 obs://	obs_path	在 Stage 1 注册为资产
本地目录路径	local_path	在 Stage 1 上传到 OBS 并注册
未指定	need_ask	必须询问用户

Stage 1：资产查询与数据集处理

步骤 1.1：查询基础模型并提取算法信息

cloudrobo asset search-assets --keyword "<model_keyword>"

从结果中提取：

• id → base_model_asset_id
• latest_version_id → base_model_version_id
• actions[].action → train_method（例如，FFT、LORA）
• actions[].algorithm.asset_id → algorithm_asset_id
• actions[].algorithm.version_id → algorithm_version_id

train_method 来自模型的 actions[].action（例如，FFT、LORA），而非 SFT/QLORA。默认使用 FFT；用户请求 LoRA 时使用 LORA。

步骤 1.1b：查询算法资产详情（获取默认超参数）

cloudrobo asset show-asset --asset-id <algorithm_asset_id>

从 ext_metadata.hyperparams 中提取默认超参数。每个超参数包含 name、default、constraint.type、constraint.editable、description。

步骤 1.1c：确认并自定义超参数（必须执行）

获取默认超参数后，必须使用提问工具询问用户是否要修改：

1. 将默认超参数显示为表格（名称、默认值、说明）
2. 提供选项：“使用默认超参数”（推荐）/“自定义部分超参数”
3. 如果用户选择自定义，以默认值为基础，覆盖指定的键，其余保持默认值

重要：不得跳过此步骤。即使用户选择默认值，也必须明确确认。 禁止编造参数键：所有键都必须来自算法 ext_metadata.hyperparams 的 name 字段。

步骤 1.1d：构建 OpenPI 模型的 data.rename_map（仅限 OpenPI）

适用范围：当基础模型为 Physical-Intelligence_PI0-Base 或 Physical-Intelligence_PI05-Base 时执行。其他模型跳过。

完整构建详情请参见 references/openpi-rename-map.md。

步骤 1.2：处理用户数据集

情况 A：已注册资产

cloudrobo asset search-assets --keyword "<dataset_name_or_id>"

提取 id → dataset_asset_id，latest_version_id → dataset_version_id。

情况 B：OBS 路径

cloudrobo workspace current  # Get asset_catalog_id
cloudrobo asset create-asset --catalog-id <catalog_id> --name "<dataset_name>" --type dataset --ext-metadata '{"annotation_status":true}'
cloudrobo asset create-version --asset-id <asset_id> --url "<obs_path>"
cloudrobo asset update-version --asset-id <asset_id> --version-id <version_id> --status RELEASE

情况 C：本地目录

cloudrobo workspace current  # Get asset_catalog_id
cloudrobo asset import-asset --catalog-id <catalog_id> --type dataset --local-path <local_dir_path> --name <dataset_name>
cloudrobo asset update-version --asset-id <asset_id> --version-id <version_id> --status RELEASE

重要：import-asset 要求本地目录包含带有 YAML frontmatter 的 README.md，其中包含 ext_metadata.annotation_status: true。 重要：执行 import-asset 后，数据集版本状态为 CREATING；必须手动发布为 RELEASE，否则训练会报告“数据集未就绪”。

情况 D：未指定 — 使用提问工具询问用户的数据集来源。

阶段 2：模型训练

全程使用 CLI。cloudrobo train create-task --config <JSON> 接受完整的配置 JSON。 名称必须唯一：name 和 output_models[0].model_name 必须全局唯一；使用时间戳后缀。

步骤 2.1：构建训练配置 JSON

将配置 JSON 写入临时文件（避免 PowerShell 特殊字符问题）：

{
  "name": "so101-pen-train-<timestamp>",
  "train_mode": "MODEL_TUNING",
  "train_method": "FFT",
  "algorithm": {
    "algorithm_asset_id": "<algorithm_asset_id>",
    "algorithm_version_id": "<algorithm_version_id>"
  },
  "input_models": [{
    "model_asset_id": "<base_model_asset_id>",
    "version_id": "<base_model_version_id>",
    "source_type": "PUBLIC_MODEL_ASSET"
  }],
  "datasets": [{
    "source_type": "CUSTOM_DATASET_ASSET",
    "dataset_asset_id": "<dataset_asset_id>",
    "version_id": "<dataset_version_id>", 
    "dataset_name": "<dataset_name>"
  }],
  "output_models": [{
    "model_name": "so101-pen-output-<timestamp>",
    "model_type": "vla",
    "save_mode": "NEW_MODEL",
    "strict": false
  }],
  "spec": "Ascend: 1 * SNT9B2 | 24 vCPUs | 192 GiB",
  "cluster_id": "<cluster_id_from_stage1>",
  "workspace_id": "<workspace_id>",
  "parameters": "[{\"key\":\"batch_size\",\"desc\":\"批次大小\",\"value\":\"64\",\"constraint\":{\"type\":\"Integer\",\"editable\":true,\"required\":true,\"sensitive\":false}},{\"key\":\"steps\",\"desc\":\"训练步数\",\"value\":\"100000\",\"constraint\":{\"type\":\"Integer\",\"editable\":true,\"required\":true,\"sensitive\":false}},...]", 
  "env": "[]"
}

必填字段：name（唯一）、train_mode（固定为 MODEL_TUNING）、train_method（来自模型 actions）、algorithm、input_models[0].source_type（PUBLIC_MODEL_ASSET）、output_models[0].model_name（唯一）、output_models[0].model_type（固定为 vla）、spec（字符串）、cluster_id（带 pool- 前缀的资源池 ID）、parameters（JSON 数组字符串，格式完整，来自步骤 1.1c）。

parameters 构建：根据算法 ext_metadata.hyperparams 构建完整格式的数组，并保留资产查询中的 desc 和 constraint：

parameters = [
    {
        "key": hp["name"],
        "desc": hp.get("desc") or hp.get("description", ""),
        "value": str(custom_overrides.get(hp["name"], hp["default"])),
        "constraint": hp.get("constraint", {})
    }
    for hp in hyperparams
]
# Serialize to JSON string for the config
parameters_str = json.dumps(parameters, ensure_ascii=False)

必须使用完整格式：每个参数项都必须包含 key、desc、value 和 constraint。desc 和 constraint 直接来自算法资产 ext_metadata.hyperparams 查询结果；不得编造或省略。 OpenPI data.rename_map：default 值已经是单引号包裹的 JSON 字符串格式。直接使用 default 值。自定义映射请参见 references/openpi-rename-map.md。

资源规格：单卡 Ascend: 1 * SNT9B2 | 24 vCPUs | 192 GiB；双卡 Ascend: 2 * SNT9B2 | 48 vCPUs | 384 GiB。使用 SNT9B2 芯片，而非 Ascend-910B。

步骤 2.2：提交训练任务

import subprocess
with open("train_config.json", "r", encoding="utf-8") as f:
    config = f.read().strip()
result = subprocess.run(
    ["cloudrobo", "train", "create-task", "--config", config, "-v"],
    capture_output=True
)
print(result.stdout.decode("utf-8", errors="replace"))

返回 {"task_id": "<task_id>"}。

步骤 2.3：查询训练状态

cloudrobo train show-task --task-id <task_id>

• FINISHED → 继续执行阶段 3
• FAILED/CREATE_FAILED/SUBMIT_FAILED → 参阅 references/fault-recovery.md
• WAITING/RUNNING/PENDING → 继续轮询

cloudrobo train get-stages --task-id <task_id>  # View training stages

阶段流程：scheduling → preparing → running → end

步骤 2.4：提取训练输出模型

output_models 会在创建任务时返回 model_asset_id 和 version_id（平台会预先创建）。从 show-task 结果中获取。训练状态变为 FINISHED 后，模型文件才可用。

阶段 3：推理部署

全程使用 CLI cloudrobo infer create。 模型来源策略：此处部署的模型是训练输出——空间资产 （空间资产），因此适用 cloudrobo-infer 技能的「Model Source → Parameter Policy」表中的 空间资产 / Variant B 路径：必须显式构造参数（model-ext-metadata、 skill-config-json）。 这不是一个本体广场模型——此处不要应用本体广场的「仅核心参数」规则。如果用户在此 工作流中要求直接部署本体广场中的模型，请改为遵循 cloudrobo-infer 技能的 Model Deployment Workflow Variant A （仅需核心参数）。权威判断依据请参阅 cloudrobo-infer SKILL.md →「Model Source → Parameter Policy」表。

步骤 3.1：查询可用资源池

cloudrobo resource list-pools

筛选满足以下条件的资源池：usages 包含 MODEL_DEPLOYMENT，pool_type 为 DEDICATED（优先）或 SHARED，且 nodes[].available_resources > 0。

cloudrobo resource show-pool --pool-id <resource_id>

show-pool 的 --pool-id 使用 resource_id（不带 pool- 前缀）。infer create 的 --pool-id 必须使用 pool-<uuid> 格式（带 pool- 前缀）。

步骤 3.2：构造 model_ext_metadata（必需）

必须通过 --model-ext-metadata 传入 model_feature_mapping。平台不会读取资产版本的 ext_metadata。不传入会立即导致 FAILED。

完整的 r2c 模板和构造步骤请参阅 references/model-ext-metadata.md。

要点：

1. 根据机器人类型选择 r2c 模板
2. 从数据集的 meta/info.json 中读取特征信息
3. 动态修改 input_features/output_features
4. OpenPI 模型：使用固定的 3 个摄像头键，将 wrist_left 的值复制到 wrist_right
5. 不要包含 model_type 字段
6. chunk_size 必须与训练时的 model.action-horizon 一致（OpenPI 默认值为 50）

步骤 3.3：创建推理服务

cloudrobo infer create --name "<infer-service-name>" --flavor "1 * SNT9B2 | 24 vCPUs | 192 GiB" --model-json '{"model_id":"<output_model_asset_id>","model_version_id":"<output_model_version_id>"}' --workspace-id <workspace_id> --pool-id "pool-<resource_id>" --pool-type DEDICATED --model-ext-metadata '<model_ext_metadata_json>' --skill-config-json '{"strict":true,"skills":[{"name":"<skill_name>","prompt":"<task_description>"}]}' --stop-schedule-json '{"duration":6,"time_unit":"HOURS"}' --deploy-timeout-minutes 30

flavor 格式：1 * SNT9B2 | 24 vCPUs | 192 GiB（不带 Ascend: 前缀）。 --pool-id（必需）：必须使用 pool-<uuid> 格式。使用不带前缀的 resource_id 会立即导致 FAILED。 --pool-type（必需）：必须使用大写的 DEDICATED 或 SHARED。 --model-json（必需）：要部署的模型——{"model_id":"<output_model_asset_id>","model_version_id":"<output_model_version_id>"}（字段来自阶段 2 的训练输出）。 --model-ext-metadata（必需）：传入步骤 3.2 构造的 JSON。不要包含 model_type。 --skill-config-json（重要）：面向真实机器人评估的服务必须定义技能，否则调度 create-task 会返回 500。格式：{"strict":true,"skills":[{"name":"<skill_name>","prompt":"<task_description>"}]}。prompt 必须与阶段 4 的 --task 参数完全一致。 不要传入 --internet-access-enable：这会导致 predict_url 只有 internet 类型；调度需要 intranet 类型的 URL。 创建后会自动进入 DEPLOYING；无需调用 infer start。如果状态为 FAILED，请调用 infer start 重试。

步骤 3.4：轮询推理服务状态

cloudrobo infer show --service-id <service_id>

• RUNNING → 继续执行阶段 4
• DEPLOYING → 继续轮询
• FAILED → 调用 cloudrobo infer start --service-id <service_id> 重试；参阅 references/fault-recovery.md

阶段 4：真实机器人评估

时间安排：仅在推理服务处于 RUNNING 状态后查询机器人。 要点：dispatch 没有 create-session 命令；session_id 即 workspace_id，无需单独创建会话。

步骤 4.0：查询机器人并确认选择

cloudrobo robot list --workspace-id <workspace_id>

查询工作区中的所有机器人。将结果分为：

• 在线机器人：status = ONLINE 且 type 与目标机器人类型匹配（例如 ARM）
• 离线机器人：status = OFFLINE 或 INACTIVE

如果找到在线机器人——使用提问工具请用户确认：

选项	说明
使用此在线机器人（推荐）	直接使用选定的在线机器人继续
选择一台离线机器人并使其上线	导出证书，引导机器人端完成接入，轮询直至状态为 ONLINE
注册新机器人	创建新机器人，导出证书，引导完成接入，轮询直至状态为 ONLINE

显示在线机器人的详情（名称、类型、制造商、型号、状态）供用户参考。不得在用户不知情的情况下自动选择在线机器人。

如果没有找到在线机器人——展示离线机器人（如果有）和新注册选项；请用户选择（不要询问是否需要切换到其他工作区）。

关键：继续操作任何机器人前都必须获得用户确认。不得自动选择。 必须传入 --workspace-id。status 的取值为大写的 ONLINE/OFFLINE/INACTIVE。 离线机器人接入和注册新机器人的步骤，请参阅 references/robot-selection-guide.md。

步骤 4.1：确认 session_id

无需创建会话。session_id = workspace_id。直接将 workspace_id 用作 --session-id。

cloudrobo dispatch list-tasks --session-id <workspace_id> --limit 1  # Verify

步骤 4.2：创建并执行任务

要点：create-task 会同时创建并执行任务。没有单独的 execute-task 命令。

cloudrobo dispatch create-task --session-id <workspace_id> --name "<task_name>" --task "<task_description>" --constraints-json '{"model":{"exec_model_id":"<service_id>"},"robot_id":"<robot_id>","exec_constraints":{"max_iter_num":60,"max_run_time":5}}'

• --session-id：等于 workspace_id
• --constraints-json（必需）：包含以下内容的 JSON 对象：
  • model.exec_model_id：推理服务 ID（service_id），不是模型资产 ID
  • robot_id：所选在线机器人的 ID
  • exec_constraints：执行限制，例如 {"max_iter_num":60,"max_run_time":5}
• --task：任务描述/技能提示词；如果 skill_config.strict=true，则必须与某项技能的 prompt 完全一致
• 在 Windows/PowerShell 上，必须使用 Python subprocess，以避免 JSON 转义问题

从响应中提取 id → task_id。任务会自动启动（状态为 RUNNING）。

步骤 4.3：轮询任务状态

cloudrobo dispatch show-task --session-id <workspace_id> --task-id <task_id>

• RUNNING → 继续轮询
• COMPLETED → 进入阶段 5
• FAILED/CANCELLED → 请参阅 references/fault-recovery.md

状态值为大写。命令是 show-task，不是 get-task-status。

步骤 4.4：查看执行日志和结果

cloudrobo dispatch show-task-result --session-id <workspace_id> --task-id <task_id> --limit 100

阶段 5：结果输出

汇总并输出完整的流水线结果：用例、基础模型、训练方法、超参数、数据集 ID、训练任务 ID、推理服务 ID、会话 ID、机器人 ID、评估分数和报告。部分流水线在最后一个阶段完成后，输出相应的汇总信息。

长时间运行的异步执行策略

完整流水线需要数小时至数天。使用 cronjob 轮询和检查点恢复。

轮询间隔：训练 30 分钟／72 小时超时；推理 30 分钟／2 小时超时；评估 30 分钟／1 小时超时。cronjob 最小间隔为 30 分钟。在提示词中包含完整的流水线状态（所有 ID），以便 Agent 判断当前阶段。

检查点恢复：会话中断后：读取流水线状态 → 查询 current_stage 任务状态 → 继续等待／进入下一阶段／故障恢复。

流水线状态跟踪模板请参阅 references/pipeline-templates.md。

---

核心命令

阶段	命令	用途
0	cloudrobo asset list-publication-assets --type model	列出市场模型
1	cloudrobo asset search-assets --keyword "<keyword>"	查询模型／数据集资源
1	cloudrobo asset show-asset --asset-id <id>	获取资源详情和超参数
1	cloudrobo asset create-asset	创建数据集资源
1	cloudrobo asset create-version	创建资源版本
1	cloudrobo asset update-version --status RELEASE	发布版本
1	cloudrobo asset import-asset	将本地目录导入 OBS
1	cloudrobo workspace current	获取当前工作空间和 catalog_id
2	cloudrobo train create-task --config <json>	创建训练任务
2	cloudrobo train show-task --task-id <id>	查询训练状态
2	cloudrobo train get-stages --task-id <id>	获取训练阶段
2	cloudrobo train get-events --task-id <id> --start-time <ms> --end-time <ms>	获取训练事件（必须指定时间范围，单位为毫秒）
3	cloudrobo resource list-pools	列出资源池
3	cloudrobo resource show-pool --pool-id <id>	获取资源池详情
3	cloudrobo infer create	创建推理服务
3	cloudrobo infer show --service-id <id>	查询服务状态
3	cloudrobo infer start --service-id <id>	重试失败的部署
3	cloudrobo infer list --workspace-id <id>	列出服务
3	cloudrobo infer list-logs --service-id <id>	查看服务日志
4	cloudrobo robot list --workspace-id <id>	列出机器人
4	cloudrobo robot show --robot-id <id>	确认机器人状态（派发前重新确认其处于 ONLINE 状态）
4	cloudrobo robot create	注册新机器人（用户选择选项 C 时）
4	cloudrobo robot export-certificate --robot-id <id>	导出离线机器人接入所需的访问配置
4	cloudrobo dispatch create-task	创建并执行任务
4	cloudrobo dispatch show-task	查询任务状态
4	cloudrobo dispatch list-tasks	列出任务
4	cloudrobo dispatch show-task-result	获取任务结果／日志
4	cloudrobo dispatch cancel-task	取消任务

---

参数确认

参数	必填	说明	示例
workspace_id	是	活动工作空间 ID	通过 cloudrobo workspace use <id> 设置
model_keyword	是	用于搜索的基础模型名称	LeRobot_PI05-Base
train_method	是	来自模型操作	FFT 或 LORA
spec	是	资源规格字符串	Ascend: 1 * SNT9B2 | 24 vCPUs | 192 GiB
parameters	是	超参数 JSON 数组字符串	[{"key":"batch_size","value":"32"}]
pool_id	是（阶段 3）	带 pool- 前缀的资源池 ID	pool-d1cc6d45-...
pool_type	是（阶段 3）	大写的资源池类型	DEDICATED 或 SHARED
model_ext_metadata	是（阶段 3）	特征映射 JSON 字符串	参见 references/model-ext-metadata.md
skill_config_json	是（阶段 3）	用于派发的技能定义	{"strict":true,"skills":[...]}
service_id	是（阶段 4）	推理服务 ID	来自 infer create 响应
robot_id	是（阶段 4）	在线机器人 ID	来自 robot list 响应
task	是（阶段 4）	任务描述／提示词	"Insert the pen into the pen holder"

阶段 3 参数说明：在此工作流中，model_ext_metadata 和 skill_config_json 是必填项，因为部署的模型是空间资源（训练输出），且阶段 4 的真实机器人评估依赖这些参数。这遵循 cloudrobo-infer 技能“模型来源 → 参数策略”表中的空间资源／Variant B路径。部署具身广场模型时，则使用 cloudrobo-infer 技能的 Variant A——只传递必需的核心参数，不要传入 model_ext_metadata／skill_config_json。

---

参考文档

• references/cli-installation-guide.md — CloudRobo CLI 安装与配置
• references/iam-policies.md — CloudRobo 的最小权限 IAM 策略
• references/dataflow-diagram.md — 流水线的 Mermaid 数据流图
• references/pipeline-templates.md — 快速参考模板和超参数配置
• references/openpi-rename-map.md — OpenPI 模型 data.rename_map 构建指南
• references/model-ext-metadata.md — 使用 r2c 模板构建 model_ext_metadata
• references/fault-recovery.md — 训练、推理和评估的故障恢复
• references/robot-selection-guide.md — 机器人选择、离线接入和新机器人注册步骤详解
• references/constraints.md — 完整的限制与规则列表
• references/verification-method.md — 验证方法和 CLI 命令参考
• references/acceptance-criteria.md — 流水线执行验收标准

---

KooCLI 命令格式标准

cloudrobo <Service> <Operation> [--params]

功能	描述	示例
服务名称	cloudrobo 服务名称	asset、train、infer、dispatch、robot、resource、workspace
操作名称	短横线分隔的操作名称	search-assets、create-task、show-task
简单参数	--key=value	--keyword="LeRobot_PI05-Base"
JSON 参数	--key='<json>'	--config '{"name":"..."}'
区域	不适用（cloudrobo 使用工作空间）	通过 cloudrobo workspace use <id> 设置

在 Windows/PowerShell 上，复杂的 JSON 参数应写入文件，再通过 Python subprocess 调用，以避免 Shell 转义问题。

---

验证

• 执行模式：正确识别用户意图和对应的阶段范围
• 跳过阶段的输入：从中间阶段开始时，已提供所有必需的前置参数
• 端到端：完成阶段 0-5——训练 FINISHED → 推理 RUNNING → 评估 COMPLETED
• 超参数确认：步骤 1.1c 展示了默认值并询问用户；data.rename_map：OpenPI 已执行步骤 1.1d，并使用单引号包裹的紧凑 JSON
• 数据集处理：已上传本地目录，版本为 RELEASE，训练未报告“dataset not ready”
• 资产交接：每个阶段的输出 ID 都已正确传递到下一阶段
• 训练：CLI create-task 返回 task_id，状态不是 CREATE_FAILED；最终变为 FINISHED
• 推理：infer show 状态为 RUNNING；pool_id 使用 pool-<uuid> 格式，pool_type 为大写，资源池支持 MODEL_DEPLOYMENT；model_ext_metadata 根据 r2c 模板和数据集信息构建，不含 model_type 字段，chunk_size 与 model.action-horizon 一致，夹爪使用 end_effector_states.position
• 真实机器人评估：步骤 4.0 使用提问工具确认机器人选择（不静默自动选择）；dispatch show-task 状态为 COMPLETED；session_id = workspace_id；constraints-json 中的 model.exec_model_id 是服务 ID；推理服务具有包含非空技能的 skill_config；predict_url 包含 intranet 类型
• 检查点恢复：会话中断后，流水线状态可以恢复

详细检查清单请参阅 references/verification-method.md 和 references/acceptance-criteria.md。