用途：本 Skill 面向 Ankh、Ankh base/large、Ankh3 large/XL 及同类基于 HuggingFace Transformers 与 PyTorch 的蛋白质语言模型仓库，把默认 CUDA/GPU 运行方式迁移为可在华为 Ascend NPU 上运行、验证并完成最小训练闭环的实现。适用于“标准 Transformers 模型主体 + 设备层写死 CUDA”的场景，重点覆盖环境检查、统一设备层、本地权重目录加载、验证脚本补齐和 README 文档沉淀，而非重写模型结构。
主要能力：统一设备层，去掉写死的 torch.cuda、.cuda()、cuda:0；适配本地 HuggingFace 权重目录加载；补齐 Ascend 环境说明、验证脚本与训练 smoke test；明确已完成项与仍需用户补环境或硬件权限的部分。典型对象包括 ankh_base、ankh_large、ankh3_large、ankh3_xl 及基于 T5EncoderModel / T5ForConditionalGeneration 的蛋白模型。
使用方式：先确认仓库根目录、权重目录与环境，检查 torch_npu、CANN、ASCEND_RT_VISIBLE_DEVICES 是否可用，搜索仓库中的 CUDA 假设点，抽出统一设备层并在入口脚本注入 torch_npu / transfer_to_npu，再用验证脚本做最小验证。最小命令示例： source "$(conda info --base)/etc/profile.d/conda.sh" conda activate <conda_env> source /usr/local/Ascend/ascend-toolkit/set_env.sh python scripts/verify_ankh_base_npu.py --device auto 验证还包括 python -m compileall src、pytest -q，以及训练 smoke test：python scripts/train_smoke_test.py --model ankh_base --device auto --dtype auto。
适用场景：推理、embedding 抽取、pseudo likelihood 计算、最小训练闭环与纯 PyTorch 下游头。
限制：若仓库包含 .cu / .cuh、依赖 flash_attn、triton、xformers、使用 CUDA 自定义扩展，或需要 nccl 到 hccl 的分布式深度改造，则不适用本轻量迁移方式，应改用更通用的 CUDA 到昇腾 NPU 深度迁移 Skill。具体硬件、CANN、PyTorch 与 torch_npu 版本匹配要求以官方资料为准，本资料未提供完整版本对应表。