用途：Cosmos-Embed1 是一个视频-文本联合嵌入模型，用于文搜视频、视频对视频搜索、零样本或 kNN 分类，以及语义去重。技能以容器方式提供 CLI（cosmos-embed1），支持训练、评估、推理和导出四类动作。
主要能力与用法：使用已发布的 Cosmos-Embed1 容器（由 references/skill_info.yaml 经 versions.yaml 解析），常规使用不要从私有源码构建。所有动作通过 docker run 执行，通用参数包括 --rm --gpus all --ipc=host --network=host --shm-size=64g，并挂载 data、model、specs、results 目录。训练命令：cosmos-embed1 train -e /specs/train.yaml results_dir=/results；评估：cosmos-embed1 evaluate -e /specs/evaluate.yaml；推理：cosmos-embed1 inference -e /specs/inference.yaml 'inference.query.input_texts=["..."]' inference.k=5；导出支持 ONNX 与 HuggingFace 格式。
训练策略：模型层启用了 AutoML。处理训练请求前需解析 automl_policy：显式指定或用户要求“关闭 AutoML/无 HPO/普通训练”时按 off 处理，否则默认 auto。auto 且 schemas/train.schema.json 与 references/spec_template_train.yaml 存在时，默认经 tao-skill-bank:tao-run-automl 路由。仅当 off 或缺失 schema/template 时直接训练；缺 schema 时应报告 AutoML 已启用但不可运行。非训练动作不走该路由。
数据与权重：MSR-VTT 路径需本地视频 glob 与 JSON 元数据，行至少含 video 和 caption。支持 LoRA 微调，开启时须设 model.network.visual_encoder.transformer_engine=false，常用 lora_rank 8、lora_alpha 16、lora_dropout 0.1。权重可来自本地 HF 目录、nvidia/Cosmos-Embed1-224p（可能需 HF_TOKEN）或微调后的 checkpoint。
限制：CLI 只接受本地路径与 Python glob，不支持 s3:// 直接输入，S3 数据需先同步到本地再引用；导出建议 export.on_cpu；导出部分 checkpoint 可能报缺组件；显存不足可降低 batch、改用 224p 或启用 LoRA。