用途：NVDINOv2 用于自监督视觉表示学习，无需标签，通过教师-学生自蒸馏训练视觉 Transformer，产出通用视觉特征，供下游任务使用。
主要能力与动作：涵盖 train、distill、inference、evaluate、export 与 deploy 流程。设置 train.pretrained_model_path 可指定预训练 ViT 权重。TensorRT 引擎生成（gen_trt_engine）需先阅读 references/tao-deploy-nvdinov2.md，部署模板位于本技能 references 目录，前缀为 spec_template_deploy_*.yaml。
训练配置：数据集类型为 image_classification，格式 ssl，监控指标 train_loss。各动作数据源路径为强制覆盖项：train 与 distill 使用 dataset.train_dataset.images_dir 指向 images_train.tar.gz，inference 使用 dataset.test_dataset.images_dir 指向 images_test.tar.gz。常用参数包括 model.backbone.teacher_type、student_type（默认 vit_l）、img_size（默认 518）、patch_size（默认 14）、dataset.batch_size（默认 4）、train.layerwise_decay、train.clip_grad_norm。
AutoML 与运行方式：模型层 AutoML 已启用，由 references/skill_info.yaml 的 automl_enabled 声明。处理训练请求前需读取该文件并解析 automl_policy；“关闭 AutoML”等表述视为本次运行 automl_policy: off，否则默认 auto。auto 且训练 schema 与模板齐备时，默认经由 tao-skill-bank:tao-run-automl 路由；仅在 off 或 schema/模板缺失时直接训练，缺失时需报告 AutoML 已启用但不可运行。非训练动作仍在本技能内执行。
多 GPU 与硬件：由 Lightning 管理，单进程启动并派生 worker，策略 auto，始终启用 sync_batchnorm。多节点环境变量由编排器设置。最低 4 张 GPU，推荐 8 张，每卡 40GB 以上（推荐 A100），ViT-Large 教师+学生显存占用高。
限制与常见错误：CUDA 显存不足时需降低 batch_size 或 img_size，或改用更小 ViT 变体；默认 10 个 epoch 仅用于快速测试，生产通常需 100 以上。评估为可选，SSL 训练不使用标签，评估取决于下游任务。父模型推断映射需通过 parent_job_id 传递上游作业 id，不应写回 config.json 或修改生成脚本。部分细节如具体收费、平台支持等暂未提供。