tao-train-single-step

常规训练

单独安装？ 如果此会话并非由 TAO 技能库插件初始化，请先运行 tao-setup 技能（主机预检、凭据、跨技能发现）。

标准监督微调：在带标签的数据集上训练模型，可选择进行评估，然后可选择导出。这是将预训练模型适配到新数据集时最常见的 TAO 工作流。

步骤

1. train — 当所选模型的 automl_enabled: true 且 automl_policy 为 on 时，通过 AutoML 执行； 若要进行普通的单次训练，请设置 automl_policy=off
2. eval — 如果已解析 eval_dataset_uri，则执行
3. export — 可选，在训练后根据用户请求执行

前置条件

所选模型技能中已解析的 container_image 是默认训练运行时。除非用户明确请求相应执行模式，否则不要将其替换为主机 venv、uv 环境、通用训练镜像或手写训练器。SDK/控制器 Python 环境仅用于控制平面；模型操作仍由容器执行。

必需

• model：兼容的 TAO 模型（例如 clip、nvdinov2、grounding_dino）
• train_dataset_uri：训练数据集的 URI（例如 s3://bucket/train/）
• platform：从已安装的平台技能中发现执行平台（tao-run-on-docker / -slurm / -kubernetes / -brev，以及任何外部平台）；如果运行时仅提供核心路由技能，请读取 skills/platform/tao-run-on-*/SKILL.md frontmatter。
• 容器镜像确认：从所选模型/操作配置中解析默认镜像，并展示给用户；在创建运行器文件或提交训练之前，必须获得用户确认或指定 image=<override>。

可选

• eval_dataset_uri：某些模型技能会将其标记为必需项——请先检查已解析的模型技能，再将其视为可选项。
• base_checkpoint：如果未提供，则默认使用模型技能中列出的 NGC 预训练检查点；如果不存在 NGC 检查点，则从头开始训练。
• automl_policy：默认为 on；设置为 off 可在本次运行中绕过模型级 AutoML，同时保持模型元数据不变。新的启动设置中仅使用 on / off。
• 镜像覆盖：查看已解析的默认镜像后，使用 image=<override> 固定指定的 TAO 工具包版本。

启动信息收集

用户确认要使用此标准训练／评估／导出工作流后， 询问他们打算在哪个受支持的平台上运行。通过已安装的平台技能（tao-run-on-docker / -slurm / -kubernetes / -brev，以及任何外部平台）确定执行平台；如果运行时只显示核心路由技能，则读取 skills/platform/tao-run-on-*/SKILL.md 的 frontmatter。

创建普通训练运行器之前，先使用 scripts/list_tao_models.py --scope automl --format json 检查所选模型的元数据，或读取 skills/models/<network>/references/skill_info.yaml。如果 automl_enabled 为 true，且 helper 报告该模型有有效的训练 schema，则默认通过 skills/applications/tao-run-automl 执行训练阶段。只有当 automl_policy=off、用户明确要求不使用 HPO/AutoML，或 AutoML 已启用但因模型的训练 schema 尚未打包而无法运行时，才使用普通训练路径。

还要询问是否继续启用长时间运行监控，以及状态更新的间隔分钟数。默认值：启用，每隔 5 分钟更新一次。

确认模型和操作后，运行 scripts/resolve_tao_image.py --model <network> --action train --format text，并询问使用解析出的镜像还是使用 image=<override>。确认镜像之前，不要创建 tao-train-single-step 运行器。

选择平台后，读取所选平台技能的 ## Credentials 部分和 references/skill_info.yaml（required_credentials / credential_groups），并且只询问该平台所需的凭据，以及所选模型所需的凭据。不要询问无关的平台凭据。