用途：在用户提供的语料上从零预训练一个全新的 KERMT 模型，基于语料构建新词表并按默认架构实例化模型。适合在已发布检查点未覆盖的自定义化学领域重训练，或端到端复现预训练配置。若只是延续已有检查点，应使用 kermt-continue-pretrain；为仅编码器 grover_base 检查点添加 cMIM 解码器则用 kermt-add-cmim-pretrain。
主要能力与输入：必需 --csv（含 smiles 列的预训练语料，约定单文件）与 --pretrain-target-mode {vocab|cmim|hybrid}，无默认值必须显式指定：vocab 为 GROVER 风格原子与键词表预测；cmim 为对比加 SMILES 重建目标，需从语料构建 SMILES 词表；hybrid 为两者联合。可选 --val-csv、--val-frac、--seed，以及 --epochs、--batch-size、--init-lr、--max-lr、--final-lr、--warmup-epochs、--weight-decay、--dropout、--save-interval、--vocab-loss-weight、--latent-dim、--contrastive-temperature、--wandb-project、--wandb-run-name、--gpus 等覆盖项，未给出的从 agent/config/defaults_pretrain.json 填充。
使用方式：先做容器与系统预检，计算 RUN_DIR，用 check_data.py 校验语料，再用 prepare_data.py 准备数据（输出 vocab_source 为 built_fresh），随后估算运行时间并警告，确认后用 run_detached 启动 run_pretrain_local.py，需带 --from-scratch 且不能带 --ckpt。运行后报告容器名与 id、run.json、日志 $RUN_DIR/logs/pretrain_ddp.log、TensorBoard 目录 $RUN_DIR/logs/tb，并建议用 kermt-monitor 查看进度。
限制：硬件要求与 kermt-continue-pretrain 相同，默认 --batch-size 256 面向 A100 80GB 级别，小显存需下调；磁盘需数十 GB；从零预训练在 1100 万分子语料 100 轮上即使多 GPU 也通常需数天，成本远高于继续预训练。资料未提供具体价格、平台支持范围或效果指标。