用途：nvalchemi Training API 用于配置和运行机器学习势（MLIP）训练工作流。TrainingStrategy 是单个训练任务的持有者，管理模型、dataloader、损失、优化器/调度器配置、验证、hooks、运行时计数器和检查点。
主要能力：支持任意与所选 training_fn 兼容的 torch.nn.Module，推荐使用包装了 BaseModelMixin 的模型以符合 AtomicData/Batch 约定。损失可用单个叶子损失（如 EnergyMSELoss），也可用 ComposedLossFunction 或运算符糖组合多目标；内置 ConstantWeight、LinearWeight、CosineWeight、PiecewiseWeight 调度。优化器通过 OptimizerConfig 配置，可附加 scheduler_cls/scheduler_kwargs。支持 CheckpointHook 周期检查点、TrainingStrategy.load_checkpoint 续训，以及通过 DistributedManager 与 DDPHook 进行多 GPU/多节点 DDP 训练。
使用方式：构建损失与 TrainingStrategy 后调用 strategy.run(train_loader)。多模型时传入命名映射，optimizer_configs 使用相同模型键；未列入的模型在前向中使用但被冻结。自定义 training_fn 接收 (model, batch) 或 (models, batch) 并返回预测映射。DDP 启动示例：torchrun --standalone --nproc_per_node=4 train.py。CLI 可用 nvalchemi-training train init 或 finetune init，并传 --loss-dtype-policy strict|prediction_to_target|target_to_prediction。
限制：内置损失默认 dtype_policy="strict"，预测与目标 dtype 不一致会报错；per_epoch=True 的调度需在损失调用时提供 epoch；自定义调度需实现 per_epoch、call(step, epoch) 和 to_spec()。续训应使用原生 TrainingStrategy 检查点，普通预训练权重文件不足以忠实继续。normalize_weights 默认为 True。更多细节见 docs/userguide/training.md、losses.md 和 checkpoints.rst。