用途：在昇腾 NPU 上完成 MindSpeed-LLM 从环境搭建到模型导出的完整部署流程，确保各阶段参数一致、数据正确流转。
主要能力：按固定顺序串联八个阶段——环境搭建、模型下载、权重转换（HF→MG）、数据预处理、训练启动、推理验证（可选）、评估（可选）、权重导出（MG→HF，可选）。覆盖参数一致性校验、阶段间数据流转，以及 Qwen、LLaMA、DeepSeek 等模型的特定配置。
使用方式：前置依赖 CANN + torch_npu 与 MindSpeed + Megatron-LM。先激活环境：source /usr/local/Ascend/cann/set_env.sh 与 source /usr/local/Ascend/nnal/atb/set_env.sh，并用 python -c "import torch; import torch_npu; print(torch.npu.is_available())" 验证。随后下载 HF 权重，用 convert_ckpt.py 做 HF→MG 转换，用 preprocess_data.py 生成 packed 数据，再用 torchrun 启动 posttrain_gpt.py 训练（微调须用 posttrain_gpt.py，--data-path 为不含 _packed 的前缀）。可选推理、评估与 MG→HF 导出。
适用场景：昇腾 NPU 上的 LLM 微调与部署流水线，如 Qwen2.5-7B LoRA 微调示例。
限制：TP/PP、--add-qkv-bias、--group-query-attention、--num-query-groups、--position-embedding-type 等参数须在转换、训练、推理间保持一致，否则会权重加载失败、NaN loss 或输出乱码；MG→HF 时 v1 需设 TP=PP=1，v2 无需设置并行参数。具体收费、价格与平台信息暂未提供。