Hugging Face 本地 GPU 微调助手
在本地 NVIDIA GPU 上，以可复现流程微调 Hugging Face 模型。
技能明确限制凭据读取场景，声明仅检查令牌存在性，并要求本地只读数据挂载、烟雾测试和错误停止；但允许 Bash/Write，默认 push_to_hub=true，可能构建大型镜像、写入本地输出并向 HF Hub/W&B 产生外部影响，缺少明确的逐次发布确认、细粒度权限和回滚方案，因此扣分。
六步流程、门禁、最小变更错误恢复和提交的示例结果提升了可诊断性；但关键 references 未在给定材料中提供，依赖 live research、Docker、NGC、HF 及特定 GPU 环境，且存在默认镜像版本与平台说明不一致等稳定性不确定性。静态评估不超过10分，故扣分。
目标用户、模型/数据输入、支持任务和非适用条件基本清楚；但核心能力严格依赖 NVIDIA GPU、Docker、NGC、Hugging Face 网络和可选 W&B，未说明中文交互或中国大陆网络可达性，触发边界和替代后端证据也有限。
SKILL.md 结构清晰，包含输入、兼容性、工作流、门禁、错误手册、版本和 Apache-2.0 许可；示例和 benchmark 提供维护线索。但缺少显式 Instructions/Examples 推荐章节，作者格式被 benchmark 标为不合规，缺少明确 changelog、维护责任和更新流程，且引用的参考文件未随材料提供。
文档承诺从资格审查到训练、评估、推理、Hub 发布和可重跑 skill，并提供四个示例及指标，显示核心任务可能可完成；但仅有一个 benchmark 任务，示例结果不能在静态审查中独立验证，且多任务、多模型路径仍需用户承担环境和数据适配，故保守给分。
示例 config 含模型卡、脚本、任务文档和论文 URL，提交的 benchmark、报告和示例产物提供一定审计线索；但没有本次审查的执行复现，benchmark 仅一项且结果声明无法独立核验，故不超过静态上限5分。
- 默认 push_to_hub=true，运行前应明确确认 Hub 发布目标、数据范围、模型卡内容及 W&B 外部日志。
- 核心依赖 live Hugging Face/NGC 文档与海外服务；中国大陆网络不可达或凭据缺失时，流程可能无法推进。
- 提交材料引用了大量未提供的 references 文件，实际执行前需核对其内容、依赖版本和 Docker 安全边界。
- 示例指标和 benchmark 结果属于提交证据，不应视为本次静态审查已执行验证。
这个 Skill 能做什么，适合哪些场景？
该技能指导代理在 NGC PyTorch 容器中使用本地 NVIDIA GPU 微调 Hugging Face 的计算机视觉、视觉语言和语言模型。它覆盖全参数微调与 LoRA，以及图像分类、目标检测、分割、深度估计、VLM SFT/LoRA 和 LLM 的 SFT、DPO、GRPO。流程包含模型与数据检查、硬件审计、实时资料研究、项目生成、真实数据冒烟测试、训练评估、推理、Hub 发布和可复运行技能生成。它适合已有 Docker 与 NVIDIA GPU 环境、希望获得可审计训练产物的使用者。
读取 Hugging Face 模型与数据集标识、本地数据路径、训练参数和可选凭据；在 Docker 中探测模型配置、模型卡、数据格式与任务结构；根据主机驱动和 CUDA 条件选择 NGC PyTorch 镜像；实时获取模型卡、仓库示例、任务文档或论文中的训练配方；生成 config.yaml、Dockerfile、requirements.txt、数据准备、训练、评估和推理脚本；用真实数据执行 1 步冒烟测试；完成基线评估、训练、训练后评估和 5 个推理样本；可将模型、模型卡、配置、报告和样本推送到 Hugging Face Hub，并生成用于复跑的 SKILL.md。
- 研究人员希望在本地 NVIDIA GPU 上微调一个 Hugging Face 视觉模型，并先用真实数据验证训练管线。
- 机器学习工程师需要以 LoRA 方式微调视觉语言模型或语言模型，同时保留可复现的配置和容器环境。
- 团队需要为图像分类、目标检测、语义分割、实例分割或全景分割任务生成端到端训练项目。
- 模型开发者希望在扩大训练规模前，对 Hugging Face 模型和数据集进行本地兼容性与硬件适配检查。
- 团队希望将微调结果、模型卡、评估结果和复跑技能一并发布到 Hugging Face Hub。
这个 Skill 有哪些优点和局限？
- 覆盖视觉、视觉语言和语言模型的多种 Hugging Face 微调任务。
- 强制实时研究模型卡、任务文档和示例，降低因过时库知识导致的训练配置错误。
- 要求在真实数据上执行 1 步冒烟测试，并定义损失和梯度范数的通过标准。
- 生成容器、配置、训练、评估、推理和复跑技能等完整产物。
- 明确规定 OOM、NaN、平坦损失和重复错误的最小变更恢复策略。
- 依赖 Docker、NVIDIA Container Toolkit、NVIDIA GPU、NGC 镜像和较大磁盘空间。
- 硬件门槛较高；文档给出的默认参考是 3B 及以下模型需要至少 24 GB 显存。
- 技能正文描述了完整流程，但未提供该具体模型或数据集已验证成功的结果。
- 实时研究、镜像构建、数据处理和完整训练会产生网络、存储和计算开销。
- README 的仓库级签名、评估和基准要求不能证明该单项技能本身已完成相同验证。
如何安装这个 Skill？
使用 NVIDIA/skills 仓库提供的 skills CLI 安装指定技能：
npx skills add nvidia/skills --skill tao-finetune-huggingface-model --yes
也可以指定目标代理，例如：
npx skills add nvidia/skills --skill tao-finetune-huggingface-model --agent codex --yes
README 未说明该单项技能的其他独立安装方式。
如何使用这个 Skill？
安装后，让代理执行类似请求：“使用 tao-finetune-huggingface-model，在本地 NVIDIA GPU 上微调 google/vit-base-patch16-224。”请求至少应提供 model_id；数据可提供 Hugging Face dataset_id、本地数据路径，或让代理推荐数据集。可进一步指定 task_type、训练方法、LoRA 参数、输出目录、是否跳过基线评估以及是否推送到 Hub。运行前需要 Docker、NVIDIA Container Toolkit、兼容的 NVIDIA GPU 主机和足够磁盘空间；技能要求先完成冒烟测试，再进行完整训练。