用途：在 Hugging Face Jobs（云端 GPU 训练）上运行 Unsloth 训练，充当训练管理工具，并可选接入 WandB 监控。
前提条件：需完成 HF 认证，可用 huggingface-cli whoami 检查（未登录则先登录）；使用 HF Jobs 需要 PRO 订阅或组织计算权限；训练需要来自 funsloth-train 的 notebook 或脚本。
主要能力与流程：
- 选择硬件：A10G 24GB 约 ~$1.50/hr，适合 7-14B LoRA；A100 40GB 约 ~$4/hr，适合 14-34B；A100 80GB 约 ~$6/hr，适合 70B；H100 80GB 约 ~$8/hr，最快。模型与 GPU 的对应见 references/HARDWARE_GUIDE.md。
- 将 notebook 转为脚本：HF Jobs 需要 PEP 723 脚本格式，可用 scripts/train_sft.py 作为模板。
- 可选 WandB 集成：在脚本中加入 import wandb 与 wandb.init(project="funsloth-training")，并在 TrainingArguments 中加入 report_to="wandb"，同时设置 export WANDB_API_KEY="your-key"。
- 估算成本：python scripts/estimate_cost.py --tokens {total_tokens} --platform hfjobs
- 启动任务：创建 job_config.yaml（含 compute.gpu、gpu_count、script、outputs），然后运行 huggingface-cli jobs create --config job_config.yaml
- 监控进度：huggingface-cli jobs status {job_id} 与 huggingface-cli jobs logs {job_id} --follow；WandB 面板地址为 https://wandb.ai/{username}/funsloth-training
- 下载产物：使用 huggingface_hub 的 snapshot_download(repo_id="{username}/funsloth-job", local_dir="./outputs")
- 交接：可继续使用 funsloth-upload 上传到 Hub 并生成模型卡。
错误处理：无 HF Jobs 权限需获取 PRO 订阅；OOM 需减小 batch size 或升级 GPU；任务超时需启用 checkpointing；脚本报错需检查 PEP 723 依赖。
附带资源：scripts/train_sft.py（PEP 723 脚本模板）、scripts/estimate_cost.py（成本估算）、references/PLATFORM_COMPARISON.md、references/HARDWARE_GUIDE.md、references/TROUBLESHOOTING.md。
限制：资料未提供除上述硬件价格外的其他收费、平台支持范围或效果保证，相关内容暂未提供。