用途：在 DGX Cloud Lepton 托管 GPU 平台上提交与管理 TAO 作业（训练、评估、推理），无需自行管理 Kubernetes 或 SLURM。Lepton 为 API 优先，无 docker-run 替代方式。
主要能力：通过 LeptonSDK.create_job 提交容器作业，支持平台通用参数（image、command、gpu_count、env_vars、inputs、outputs、hooks）及 Lepton 专属参数 resource_shape（显式 GPU 规格 ID）、dedicated_node_group（独占分配，避免抢占）、num_nodes（分布式训练节点数，默认 1）、mounts（NFS/Lustre 挂载，未设时自动探测）。num_nodes>1 时启用作业内通信与 PyTorch 分布式初始化，设置 WORLD_SIZE、NUM_GPU_PER_NODE，并注入 LEPTON_JOB_WORKER_INDEX 等变量，通过 bootstrap 拉取官方 lepton_env_to_pytorch.sh 转换脚本生成 MASTER_ADDR、MASTER_PORT、NNODES、NODE_RANK、WORKER_ADDRS。可用 sdk.list_resource_shapes()、sdk.get_volumes()、sdk.get_storage_permissions() 发现资源。存储层为 S3 兼容，统一使用 cloud_metadata 键 aws 与 s3:// 协议，不可用 lepton://。挂载自动探测并优先顺序为 lustre > filestore > 首个可用；Lustre 无内置缓存失效，需改文件名或用新路径避免读到旧数据。
必要用法：需安装带 Lepton extra 的 TAO SDK，命令为 pip install "$PIN"（PIN 由 resolve_versions_key.py 解析 wheels.tao_sdk_lepton）。必填凭据 LEPTON_WORKSPACE_ID、LEPTON_AUTH_TOKEN；可选 NGC_KEY、ACCESS_KEY/SECRET_KEY、S3_ENDPOINT_URL、S3_BUCKET_NAME、CLOUD_REGION。提交前需运行 scripts/check_tao_launch_preflight.py --platform lepton 校验工作站可达性，并用 aws s3 ls 验证路径可读。
监控与诊断：sdk.get_job_status 查高层状态，sdk.get_job_replicas 查副本启动详情（含 readiness_issue），sdk.get_job_logs 取日志，sdk.get_failure_analysis 自动根因分析（err_class、suggestion、节点事件）。并行作业可用 execute_step 传 split_id，仅重试失败分片。
限制：共享节点组被抢占会导致整个作业失败，v1 不做弹性重启，长任务建议专用节点组；Lustre 挂载对每个副本相同，无需按副本包装 I/O。常见故障包括 OOM、镜像拉取失败、资源不可用、认证失败、节点不健康、作业被驱逐。