用途：在自定义异常数据集上完成微调、合成异常图像生成、质量评估与搜索优化，输出可用的异常样本桶。
主要能力：多阶段流水线（0–7）。Phase 0 校验/下载预训练检查点；Phase 1 在 dataset_dir 上微调；Phase 2 生成推理 JSONL（AMP 路由）；Phase 3 SDG 生成合成异常图像到 original/；Phase 4 评估并写入 per_sample.csv、eval.log，把 nn_score 合并进 SDG_result.csv；Phase 5 按样本搜索（guidance、crop_ratio），每轮跑 SDG 加评估；Phase 6 汇总最佳轮次到 searched/；Phase 7 按 nn_threshold（默认 0.4）过滤、重新生成被丢弃样本并做最终评估。
使用方式：mode 支持 full、inference_only、finetune_only；需设置 name、dataset_dir、defect_spec、num_SDG、model_size 等变量。主机需先导出 ANOMALYGEN_SCRIPTS="$(git rev-parse --show-toplevel)/scripts/utilities"。容器内运行 metropolis_sdg.paidf_anomalygen，或主机激活 cosmos-predict2 环境，命令从仓库根目录执行。检查点命令：${ANOMALYGEN_SCRIPTS}/check.sh --model-sizes ${MODEL_SIZE^^} || ${ANOMALYGEN_SCRIPTS}/download_checkpoints.sh --model-sizes ${MODEL_SIZE^^}。产品模式（ANOMALYGEN_PRODUCT_MODE=1）需先运行 anomalygen-guard 预检。
适用场景：需要合成异常图像用于缺陷检测训练数据增强、微调 TAO 异常生成模型、并按 nn_score 筛选样本的流程。
限制：需 HF_TOKEN，2B 默认检查点约 40 GB；Docker 需以 --user "$(id -u):$(id -g)" 运行以匹配权限；inference_only 必须同时提供 checkpoint_dir 和 step，full 模式不得传二者；finetune_only 只跑 Phase 0–1；模型尺寸仅 2b 或 14b；文档未提供具体收费与价格信息。