用途：在Hugging Face托管基础设施上训练/微调语言与视觉模型，无需本地GPU。训练环境为临时容器，任务结束后文件被删除，因此必须推送至Hugging Face Hub以免结果丢失。
主要能力：TRL提供SFT（监督微调）、DPO（直接偏好优化）、GRPO（在线强化学习）与奖励建模；可用Unsloth在显存受限、追求速度、大模型（>13B）或视觉语言模型场景替代标准TRL。提供模型基准检索、成本估算、数据集检查等辅助脚本。
使用方式：优先用hf_jobs() MCP工具提交任务，脚本内容以字符串内联传入；也可用HF Jobs CLI或TRL官方维护脚本。脚本需内联或使用可公开访问URL（本地路径不可用）。所有训练脚本应包含Trackio以实时监控。关键设置：timeout需大于预计训练时间（默认30分钟过短，建议1-2小时起）；需设置push_to_hub=True、hub_model_id；任务配置中传secrets={"HF_TOKEN": "$HF_TOKEN"}。CLI顺序为hf jobs uv run，标志须在脚本URL之前，使用--secrets复数。
前提：需Hugging Face Pro/Team/Enterprise付费计划并登录；数据集须在Hub或可经datasets.load_dataset()加载，格式匹配训练方法；未知数据集应先验证。硬件与成本参考文档表格。任务异步运行，提交后立即返回，日志可能延迟30-60秒，仅在用户要求时查看状态。
限制：本地文件路径脚本不可用；超时会立即终止并丢失未保存进度；所有超出资料描述的功能、价格与使用步骤暂未提供。