用途：基于 TAO 的掩码自编码器（MAE）技能，对图像做自监督预训练和微调，通过随机遮盖图像块并重建来学习视觉表征。
主要能力：train.stage 支持 pretrain（掩码学表征）与 finetune（加分类头）；model.arch 默认 convnextv2_base，可选 ConvNeXt、Hiera、ViT 等；model.mask_ratio 通常为 0.75；model.num_classes 仅微调阶段相关，默认 1000；model.norm_pix_loss 控制重建损失是否归一化像素；train.optim.lr 默认 2e-4。数据集类型 image_classification，格式 ssl，监控指标 train_loss。
使用方式：各动作必须显式覆盖数据源，如 train 设置 dataset.train_data_sources 与 dataset.val_data_sources，evaluate 设置 dataset.val_data_sources，inference 设置 dataset.test_data_sources；微调时用 train.pretrained_model_path 指向预训练权重。多 GPU 由 Lightning 管理，train.num_gpus 默认 1、train.distributed_strategy 支持 ddp/fsdp。训练阶段默认走 tao-skill-bank:tao-run-automl，除非用户要求关闭 AutoML；若缺少打包的 train schema/template，则只能直接训练或报告 AutoML 不可运行。部署 TensorRT（gen_trt_engine）前需阅读 references/tao-deploy-mask-auto-encoder.md。
适用场景：图像自监督预训练、基于预训练权重的分类微调，以及评估、推理、ONNX 导出与 TensorRT 引擎生成。
限制：最低 2 GPU、推荐 8 GPU，单卡显存 24GB+（推荐 A100）；预训练偏好大批量多卡。预训练不需要评估数据，微调可选验证集。注意 stage 与意图匹配、num_classes 与数据集类别数一致，否则会从头训练或报错。AutoML 是否可运行取决于 schema 与模板是否随技能打包，缺失时暂不可用；其余未在资料中说明的收费、价格等暂未提供。