用途：从预训练模型生成量化检查点（post-training quantization）。使用前应先阅读 examples/hf_ptq/README.md 获取支持矩阵、CLI 参数与精度指引；多候选配方探索用 quant-recipe-search，本技能负责每个已选配方的 PTQ 运行。
主要能力：支持 NVFP4、FP8、INT8、INT4 等量化格式；可用模型专属配方或按 GPU 选择格式——Blackwell（B100/B200/GB200）用 nvfp4，Hopper（H100/H200）及更早用 fp8 或 int4_awq，通过 --qformat 指定。支持 HF 模型、VLM（自动抽取语言模型）、以及未列出模型的自行处理路径。
使用方式：步骤为环境准备、确认模型是否受支持、检查模型专属依赖（如 trust_remote_code 引入的 mamba-ssm）、选择量化格式、运行 PTQ（4A 手动、4B 启动器、4C 未列出模型）、校验输出。手动运行示例：
pip install --no-build-isolation "nvidia-modelopt[hf]" pip install -r examples/hf_ptq/requirements.txt
python examples/hf_ptq/hf_ptq.py --pyt_ckpt_path <model> --qformat <format> --calib_size 512 --export_path <output>
校准数据：文本 LLM 建议 --dataset nemotron-post-training-v3；VLM 加 --calib_with_images；受限环境可用 --dataset cnn_dailymail 作后备。启动器路径：cd tools/launcher 后以 uv run launch.py --yaml <config.yaml> 运行（SLURM 或本地 Docker）。
限制与注意：受支持模型直接全量校准，未列出模型先做 --calib_size 4 冒烟测试；NVFP4 可在 Hopper 校准但推理需 Blackwell；VLM 通用配方会误匹配视觉塔，需用模型专属配方或加 visual/vision_tower 排除；量化前需先调用 mto.enable_huggingface_checkpointing()；部署或评测提交前必须完成校验门（输出大小与比特数、量化覆盖、元数据一致性、下游交接与 serving 就绪）。具体价格、性能数据与完整清单资料未提供。