用途：在 NVIDIA NeMo Megatron Bridge 仓库中运行 Megatron-LM（MLM）与 Bridge 两种训练流程，并做损失相关性对比测试。
主要能力：提供 MLM 与 Bridge 的入口点、启动方式与参数映射说明；给出相关性测试方法，使用 vanilla_gpt_pretrain_config 配方，使 Bridge 与 MLM 在匹配参数下 LM loss 在 BF16 舍入误差内一致；提供单 GPU 与多 GPU（TP=2）示例；列出常用 recipe，如 vanilla_gpt_pretrain_config、llama32_1b_pretrain_config、llama3_8b_pretrain_config、qwen3_8b_pretrain_config、deepseek_v2_lite_pretrain_config，SFT/PEFT 变体使用 _sft_config / _peft_config 后缀；说明 Megatron-Core 子模块的版本切换。
使用方式：Bridge 入口为 scripts/training/run_recipe.py，MLM 入口为 3rdparty/Megatron-LM/pretrain_gpt.py，两者均通过 uv run python -m torch.distributed.run 启动。MLM 需设置 PYTHONPATH=3rdparty/Megatron-LM:$PYTHONPATH。Bridge 运行前需 rm -rf nemo_experiments 清理旧检查点。子模块版本可用 ./scripts/switch_mcore.sh status|dev|main 查看或切换，切到 dev 后用 uv sync（不加 --locked）。拉取最新 main 后执行 git submodule update --init 3rdparty/Megatron-LM。
适用场景：MLM 与 Bridge 的损失相关性验证、自定义配置测试、多 GPU 张量并行训练示例参考。
限制与注意：必须使用 uv run，不能用裸 torchrun 或 python；覆盖 train.train_iters 为小值时需同时设置 scheduler.lr_warmup_iters 与 scheduler.lr_decay_iters，否则报断言错误；预训练与微调数据集 CLI 覆盖均使用 dataset.seq_length；大型 MoE 模型需完整激活重计算且通常需多节点 EP，TP 不减少每 GPU 专家内存；3rdparty/Megatron-LM/ 下文件不应从本仓库修改。