本技能用于在 Cosmos Framework 中对 Cosmos3-Nano-Transfer-Auto 模型进行后训练。用户需自行提供录制数据与控制信号，无需访问原始训练数据集。
用途：
- 在已发布的 Transfer-Auto 检查点上，用自有配对录制数据微调，将相机 WSM 和 HD 地图控制转换为对应的相机视频与 LiDAR。
- 从 Cosmos3-Nano 检查点出发，按四阶段课程复现训练过程。
- 使用已发布检查点生成驾驶场景，或基于自有 Transfer-Auto 检查点构建流式模拟器（Sim-Auto 蒸馏）。
主要能力与流程：
- 环境配置：按 Framework 设置指南安装，并补充 Auto 所需依赖；命令使用本检出中的四阶段配方 transfer_auto_phase1–phase4。
- 快速开始（微调已发布模型）：激活环境后，设置 COSMOS_INTERNAL=0、COSMOS_TRAINING=1，使用 config.py 与 transfer_auto.experiment 入口。需准备 TRANSFER_AUTO_HF 本地快照、TRANSFER_AUTO_REVISION 不可变修订、TRANSFER_AUTO_DCP 新转换目录，以及匹配的 RGB VAE 与文本分词器。通过 prepare_sim_auto_checkpoint 转换双向 Auto 权重并检查 LiDAR 头与传感器表（该工具不做蒸馏）。
- 准备本地训练包：准备同步 RGB 与 WSM、相机局部目标对齐字幕、实测 LiDAR 与 HD 地图范围控制；创建 JSONL 训练索引，使用 auto_bundle 打包选定的物理相机（示例为七相机），构建器复制媒体与分词器资源，并从可用相机推导合格子集。需检查解码样本与实际格式化批次。
- 配置微调运行：选择唯一运行名与共享输出根，使用 transfer_auto_phase4 配方、仅权重初始化启动新运行（默认 50,000 联合训练步），可调整学习率、调度、dropout 与训练时长。
- 启动与监控：根据分配设置 NNODES、GPUS_PER_NODE、NODE_RANK、MASTER_ADDR、CONTEXT_PARALLEL、FSDP_SHARDS，通过 torchrun 启动；参考 CP/FSDP 为 32/32，较小布局需做内存与批次验证。建议先做有界冒烟测试，再训练/保存/重载；检查任务与分辨率暴露、RGB/LiDAR 损失、学习率、参数更新与完整检查点。同阶段恢复需还原完整模型/EMA、优化器、调度器、迭代与加载器状态。
- 导出与推理检查：从保存的已解析训练配置导出，指定权重变体与匹配分词器，使用 --use-ema-weights --no-vit --student-only-checkpoint-metadata --bundle-lidar-vae --per-view-captions on --per-view-caption-task av_joint_camera_lidar_transfer；--no-vit 生成仅推理工件，分享前需清理机器相关路径，并在固定留出场景上使用推理技能。
四阶段课程：
- Cosmos3-Nano → 分离 RGB/LiDAR：70k 更新，单相机 RGB 片段最多 397 帧（请求 400），LiDAR 21 扫。
- 分离传感器检查点 → 短联合 RGB/LiDAR：61 RGB 帧对齐 21 LiDAR 扫。
- 短联合检查点 → 长联合 RGB/LiDAR：最多 397 RGB 帧对齐 133 扫，继续至联合迭代 22,000。
- 继续长联合训练至联合迭代 50,000，模型、注意力、dropout 与调度不变。 分离传感器任务为独立样本，时长可不同；仅联合阶段要求 RGB/LiDAR 时间窗口匹配。阶段 2–4 使用对前 0.4 秒（含当前时刻）去重的跨视图注意力；阶段 3 和 4 均使用 10% 整段 LiDAR dropout。
适用场景：驾驶场景生成、相机与 LiDAR 联合建模、流式模拟器构建、基于自有数据的模型适配。
限制：需自备录制数据与控制；需匹配的 VAE 与分词器；参考场景仅作格式参考；较小 GPU 布局需额外内存与批次验证；异步保存前需阅读检查点内存要求；导出元数据需清理机器路径。