用途：从视频序列中做动作识别，对视频片段的时序动作进行分类，支持 rgb（RGB）、of（光流）和 joint（多流）三种输入类型。
主要能力：提供 train、evaluate、inference、export 等动作。model.backbone 默认 resnet_18，作为空间特征提取器；model.rgb_seq_length 与 model.of_seq_length 分别控制 RGB 与光流输入的每片段帧数；dataset.label_map 为类别名到索引的映射；train.optim.lr 默认 5e-4。评估指标为 val_acc，数据集类型为 action_recognition，格式 default。
训练与 AutoML：该模型在模型层启用 AutoML。默认 automl_policy: auto 时，训练经 tao-skill-bank:tao-run-automl 路由，需 schemas/train.schema.json 与 references/spec_template_train.yaml 存在且可解析。用户若明确表示关闭 AutoML、禁用 AutoML、无 HPO 或普通训练，则本次运行设为 automl_policy: off，改走直接训练。若启用 AutoML 但缺少 schema，则报告为当前不可运行。evaluate、inference、export、deploy 等非训练动作仍在本技能内处理。
数据源要求（每次动作均须构造数据源路径并写入 spec_overrides）：train 需 dataset.train_dataset_dir（train.tar.gz）与 dataset.val_dataset_dir（test.tar.gz）；evaluate 需 evaluate.test_dataset_dir（test.tar.gz）；inference 需 inference.inference_dataset_dir（如 test/smile.tar.gz）。训练常用覆盖包括 train.num_epochs、train.checkpoint_interval、train.validation_interval、train.num_gpus、dataset.batch_size 与 dataset.label_map。
并行与硬件：由 Lightning 管理启动，单进程派生 worker；train.num_gpus 默认 1，train.gpu_ids 默认 [0]，策略 auto，面向单节点。最少 1 块 GPU，推荐 2 块，每块 16GB 以上显存；显存随序列长度与输入分辨率变化，batch_size=2 对视频数据较为保守。
常见错误：序列长度不匹配，需确保视频片段帧数满足 rgb_seq_length 或 of_seq_length。
限制：未提供价格、收费、平台与具体效果信息；引用映射（encryption_key、checkpoint、results_dir、PTM 等）由运行器在 create_job() 前应用，不应写回 config.json 或修改生成的 runner 脚本猜测检查点路径。运行时不依赖 ~/tao-core。