NV-Generate-MR
通过 NVIDIA 的 rflow-mr 流程生成合成体部 MRI 影像体积。
技能明确限制为合成MRI、禁止临床和生产训练用途，并披露输出目录、缓存目录及访问 Hugging Face/GitHub 的数据流；使用固定上游提交、模型清单和哈希记录，也避免删除输出。扣分原因是允许 Bash、pip 安装和网络下载，未见依赖哈希或沙箱隔离；普通运行没有明确的用户确认门，默认输出目录和模型缓存可能产生未预期写入，且缺少回滚机制。
包装器有参数校验、CUDA和模型预检、体素上限、成本门、超时处理、stderr尾部捕获、输出NIfTI汇总及结构化错误信息，关键路径在静态上较完整。扣分原因是未执行验证，依赖上游仓库和未展示的 manifest/requirements；上游模型、配置和命令兼容性无法由所给文件完全确认，异常路径和跨环境可复现性仍有限。静态校准将分数限制在10以内。
用途、非适用范围、支持的模态、脑MRI重定向路径、输入配置和输出类型均有说明，并包含中文用户可理解的英文命令接口。扣分原因是要求NVIDIA GPU至少16 GB显存、无CPU回退，且核心安装和模型下载依赖 Hugging Face/GitHub；未说明中国大陆网络可达性或镜像方案，触发条件和输入格式仍主要依赖用户自行判断。
技能具有用途、说明、前置条件、限制、故障排除、引用、fixtures、reference和benchmark文件，声明Apache-2.0包装器及上游权利限制，并记录上游提交。扣分原因是缺少推荐的Examples章节，benchmark仅覆盖2个任务，未清晰说明维护负责人、变更日志和版本策略；根目录存在静态检查标记的非标准目录，且 license metadata 与提供的仓库许可信息存在不一致风险。
包装器能够把配置覆盖转换为上游推理调用，并输出模型库存、配置、几何、spacing、affine、强度和有限性检查，且评估报告显示技能辅助后的 codex 正确性85%、有效性57%。扣分原因是评估样本仅2个、每任务1次，且静态审查不能确认真实生成结果；输出仍需独立质量和法律审查，边际收益相较直接调用上游的证据有限。静态校准将分数限制在7以内。
源码提供固定上游提交、明确命令、结构化结果、模型文件哈希、输出哈希和验证字段；BENCHMARK.md及evals.json提供有限的第三方评估材料。扣分原因是未执行本次复核，benchmark覆盖很窄且没有完整CI/测试证据；上游行为、模型质量和结果正确性无法仅凭文件独立复现。静态校准将分数限制在5以内。
- 运行会执行 Bash、安装 requirements.txt 中的依赖，并可能从 Hugging Face/GitHub 下载代码或模型；使用前应审查网络、依赖和模型许可。
- 输出是合成的、仅图像的MRI体积，不应直接用于临床解释、诊断、监管提交或生产训练数据。
- 需要至少约16 GB显存的NVIDIA GPU且无CPU回退；大陆网络访问和模型下载可能失败，文件未提供镜像或离线安装方案。
- 普通运行会创建输出目录和阶段配置，未提供撤销或清理策略；应使用隔离且专用的运行目录。
这个 Skill 能做什么，适合哪些场景？
NV-Generate-MR 是 NVIDIA 医疗 AI 技能集合中的一个轻量封装，用于生成合成体部 MRI 体积。它调用 NVIDIA-Medtech/NV-Generate-CTMR 的 rflow-mr 推理流程，并输出合成 NIfTI 体积及运行结果 JSON。技能支持 mri、mri_t1、mri_t2 和 mri_flair 模态。它不生成配对分割掩膜，输出也不适用于生产训练数据、临床部署或自主诊断。
读取用户提供的模型配置覆盖 JSON，准备上游配置，安装运行时依赖，并运行 scripts/run_mr.py；必要时从 GitHub 获取固定版本的上游代码、从 Hugging Face 或 GitHub 获取模型资源，并使用 NVIDIA GPU 执行 rflow-mr 推理。它将结果写入调用方指定的输出目录，生成合成 MRI NIfTI 体积和 result_json，并记录配置、模型信息、几何参数、间距、仿射矩阵、强度范围及有限数据等检查结果。
- 医学影像研究人员需要生成合成体部 MRI 体积用于早期实验或方法探索时。
- 开发者需要在支持 NVIDIA GPU 的环境中按固定上游版本运行 rflow-mr 推理时。
- 评估流程需要检查生成 NIfTI 体积的几何信息、间距、仿射矩阵和数据有效性时。
- 需要生成 mri_t1、mri_t2 或 mri_flair 等指定体部 MRI 模态的研究团队。
这个 Skill 有哪些优点和局限？
- 封装了固定的上游 rflow-mr 推理入口，不要求用户自行编写常规推理代码。
- 支持 mri、mri_t1、mri_t2 和 mri_flair 四种模态。
- 输出包含 NIfTI 体积、结果 JSON 以及较完整的几何和数据有效性检查信息。
- 通过 NVIDIA/skills 的统一 CLI 分发，并由目录 README 描述签名、评估和每日同步机制。
- 仅生成图像体积，不生成配对分割掩膜。
- 上游路径没有 CPU fallback，至少需要 16 GB VRAM 的 NVIDIA GPU。
- 模型权重标注为 NVIDIA Non-Commercial，不能未经法律和质量审查用于生产训练数据。
- 不适用于临床部署、临床解读、自主诊断或监管申报；源材料未提供独立测试套件或性能基准数据。
如何安装这个 Skill？
使用 NVIDIA/skills 的 skills CLI 安装此技能：npx skills add nvidia/skills --skill nv-generate-mr --yes。也可以通过 --agent codex、--agent claude-code 等参数指定安装目标。README 未提供该单项技能的独立源码安装步骤。
如何使用这个 Skill？
在仓库根目录运行：export NV_GENERATE_ROOT="${NV_GENERATE_ROOT:-$HOME/.cache/nvidia-skills/upstreams/NV-Generate-CTMR-61c4ec7}" && python -m pip install -r "$NV_GENERATE_ROOT/requirements.txt" && python skills/nv-generate-mr/scripts/run_mr.py PATH_TO_MR_CONFIG.json --output-dir runs/nv_generate_mr_demo --modality mri_t1 --random-seed 0。将 PATH_TO_MR_CONFIG.json 替换为实际配置路径，并使用新的输出目录。运行前需要准备固定版本的上游代码和 rflow-mr 权重；环境需要至少 16 GB 显存的 NVIDIA GPU。运行后检查输出 JSON 和验证器提示。
这个 Skill 与同类方案有什么区别？
对于脑部 MRI 合成，上游 README 推荐使用 rflow-mr-brain，并对应安装 nv-generate-mr-brain；该技能面向体部 MRI，不是脑部路径的替代品。