用途：在本地 NVIDIA GPU 的 NGC PyTorch 容器内微调 HuggingFace 视觉（CV）、视觉语言（VLM）与语言（LLM）模型，运行链条为单一 NGC 容器、一组聚焦脚本、一次推送到 HF Hub。行为受文件规则约束，须遵循不得即兴发挥。权威顺序（由高到低）：用户输入 → 实时调研（模型卡、HF 仓库示例、作者脚本、任务文档、论文，始终抓取）→ 精选 references/*.md 兜底 → 训练数据记忆（最后手段，可疑）。冲突时以实时调研为准。
输入：必填 model_id（如 google/vit-base-patch16-224）。凭据由 SessionStart 钩子从 ~/.config/tao/.env 加载：HF_TOKEN 仅在模型/数据集受限（读）或开启 push_to_hub（写）时需要；WANDB_API_KEY、WANDB_PROJECT 仅在启用 WandB 时需要，可用 WANDB_MODE=disabled 退出。数据集三选一：dataset_id、local_dataset_path（可选格式 auto/imagefolder/coco/voc/jsonl/arrow/parquet/csv，默认自动检测），或省略由代理推荐。可选参数含 task_type（自动检测）、n_train=10000、n_eval=1000、n_epochs=3、lora_r=16、output_dir=./output/<model_short_name>、push_to_hub=True、skip_baseline=False 等。所有值写入 output_dir/config.yaml，不在 Python 中硬编码。
主要能力：编排 6 步工作流——检查与资格判定、硬件审计与 NGC 镜像选择、实时调研配方、生成项目并冒烟测试、训练/评估/推理、推送并生成可重跑技能。硬性规则包括：写 ML 代码前须抓取实时文档；完整训练前先用 --max_steps 1 在真实数据上冒烟测试；不得静默替换 model_id、dataset_id 或训练方法；错误恢复采用最小改动（OOM 减半批量并加倍梯度累积等）；按 bf16 进行硬件估算。
使用方式：需先阅读并遵循 tao-setup-nvidia-gpu-host、tao-run-on-docker、tao-run-on-local-docker 等平台技能；默认平台为 local-docker，先构建一次性镜像（run-<short>:latest）并在本地 Docker 守护进程运行。命令示例：docker build -t run-<short>:latest .；多 GPU 时在 python train.py 前加 torchrun --nproc_per_node=$gpu_count。
适用场景：本地 NVIDIA GPU 上对 CV / VLM / LLM 模型做图像分类、目标检测、语义分割、图像文本转文本等微调任务。
限制：本技能只编排“运行什么”，平台技能负责“如何运行”；精选 references 仅在实时调研沉默、含糊或不可用时参考，且具体模型与当前 API 以实时文档为准。示例管道包括 tao-rerun-convnext-cifar10、tao-rerun-detr-cppe5、tao-rerun-segformer-foodseg103、tao-rerun-smolvlm-vqav2。具体收费、价格与平台分布等资料暂未提供。