用途：MAL（Mask Auto-Label）弱监督分割，用点或框等极少量标注生成分割掩码，骨干为 ViT-MAE。需设置 train.pretrained_model_path 指向 ViT-MAE 预训练权重。
主要能力：分割任务的训练、评估、推理、导出与部署；监控指标为 mIoU。数据集类型为 segmentation，格式 default。关键参数：model.arch 默认 vit-mae-base/16，可选 vit-mae-large/16 等变体；train.lr 默认 1e-6；model.crop_size 默认 512；train.warmup_epochs；model.load_mask 控制是否加载预计算掩码。
使用方式：各动作必须构造数据源路径并写入 spec_overrides。train 需 dataset.train_img_dir/train_ann_path 与 dataset.val_img_dir/val_ann_path；evaluate 需 dataset.val_img_dir/val_ann_path；inference 需 inference.img_dir/ann_path，文件为 images.tar.gz 与 annotations.json。多卡由 Lightning 管理，单 python 进程，策略 ddp_find_unused_parameters_true，不支持 fsdp；学习率按设备数与 batch size 自动缩放。多节点环境变量由编排器设置。
AutoML：模型层已启用。处理 train 请求前先读 references/skill_info.yaml，按 automl_policy 或用户请求决定；出现关闭 AutoML、不要 HPO、普通训练等表述时，本次运行 automl_policy: off，否则默认 auto。auto 且 automl_enabled 为 true、且 schemas/train.schema.json 与 references/spec_template_train.yaml 已打包时，默认经 tao-skill-bank:tao-run-automl 运行。仅当 off 或缺失 schema/template 时直接训练；缺失时需说明 AutoML 已启用但暂不可运行。evaluate、inference、export、deploy 仍在本技能内。
限制：每 GPU 至少 24GB 显存，建议 A100；crop_size=512 时需 24GB+，OOM 可降到 384/256 或换更小变体。最少 1 GPU，推荐 2 GPU。评测数据集为可选项。本资料未提供价格、收费或平台信息。