用途：面向细粒度视觉识别的度量学习识别（ml-recog），学习用于检索式匹配的嵌入向量，例如零售商品识别，采用 triplet/contrastive 损失。需设置 model.pretrained_model_path 指定预训练骨干网络。
主要能力与用法：支持 train、evaluate、inference、export、gen_trt_engine 等动作。训练数据集类型为 ml_recog，格式 default，监控指标为 val Precision at Rank 1。评估必须提供 reference 与 query 数据集以计算检索指标。每个动作都必须构造数据源路径并写入 spec_overrides。
关键参数：model.backbone 默认 resnet_50，可选 resnet_50、resnet_101、fan_small、fan_base、fan_large、fan_tiny、nvdinov2_vit_large_legacy；model.feat_dim 默认 256；train.batch_size 默认 4；dataset.num_instance 默认 4；trunk 与 embedder 的 base_lr 默认 3.5e-4；triplet_loss_margin 默认 0.3；miner_function_margin 默认 0.1；学习率衰减 steps 默认 [40, 70]，gamma=0.1。
多 GPU：由 Lightning 管理，单 python 进程；train.num_gpus 默认 1，train.gpu_ids 默认 [0]，策略 auto，面向单节点。最低 1 GPU，推荐 2 GPU，每 GPU 16GB+ 显存。
AutoML：模型层启用，需 schemas/train.schema.json 与 references/spec_template_train.yaml 存在且可解析才可运行；默认经 tao-skill-bank:tao-run-automl 路由，用户要求关闭时本run用 automl_policy: off。
部署：TensorRT 动作（gen_trt_engine、TensorRT evaluate、TensorRT inference）先阅读 references/tao-deploy-metric-learning-recognition.md。推理字段映射见文档，父模型通过 parent_job_id 推断，不要改 config.json 或补丁脚本。
限制：需注意 reference/query 类别命名空间兼容；缺失事实暂未提供。