这个 Skill 能做什么，适合哪些场景？
该技能指导 AI 代理使用 NVIDIA TAO 的 MAE 模型进行自监督预训练和分类微调。它覆盖 train、evaluate、inference 和 export 操作，并通过 TensorRT 部署流程生成推理引擎。训练支持 pretrain 和 finetune 阶段，且默认将 AutoML 作为训练路径。运行环境需要 Docker 与 nvidia-container-toolkit；预训练最低需要 2 张 GPU，推荐 8 张，每张显存至少 24GB。
读取 TAO MAE 的技能说明、部署文档、数据集要求、生成的 schema 和 spec 模板；为 train、evaluate、inference 构造必需的数据源路径；指导代理调用 PyTorch mae CLI 的 train、evaluate、inference 和 export 操作；在符合条件时将训练路由到 tao-run-automl；处理检查点、输出目录、加密密钥和 ONNX 导出路径等参数推断；通过独立部署流程生成 TensorRT 引擎。
- 计算机视觉工程师希望使用未标注图像进行 MAE 自监督预训练，以学习视觉表示。
- 模型开发者已有预训练 MAE 权重，需要在图像分类数据集上进行微调。
- MLOps 工程师需要评估微调检查点或运行分类推理。
- 部署工程师需要将 MAE 模型导出为 ONNX 并通过 TAO Deploy 生成 TensorRT 引擎。
- TAO 用户希望在训练阶段启用或按单次运行关闭 AutoML。
如何安装这个 Skill？
- 执行前应确认 Docker、NVIDIA Container Toolkit、GPU 显存、TAO 容器镜像和数据源的可用性及网络可达性。
- 不要将真实 encryption_key、凭据或敏感数据直接写入提示、日志、S3 示例或共享配置；技能未规定其保护和清理方式。
- 应先确认 train.stage、model.arch、num_classes、输入尺寸与检查点一致，并验证 tar 包已按要求解压，否则可能产生零样本或形状不匹配。
- AutoML 默认开启且可能触发额外计算；技能虽描述了 on/off 覆盖，但未提供完整的用户确认、成本上限或回滚流程。
- Shell / 命令行
- 网络访问
- 本地文件系统
Dockernvidia-container-toolkit
使用仓库 README 支持的 skills CLI 安装单个技能：
npx skills add nvidia/skills --skill tao-train-mask-auto-encoder --yes
也可以指定 Codex：
npx skills add nvidia/skills --skill tao-train-mask-auto-encoder --agent codex --yes
运行环境还需要 Docker 和 nvidia-container-toolkit。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/NVIDIA/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/tao-train-mask-auto-encoder" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- self-supervised vision pretraining
安装后，向代理提出与 MAE 相关的任务，例如“pretrain MAE”“self-supervised vision pretraining”“Masked Autoencoder”或“MAE fine-tune”。训练时提供训练集和验证集数据源；评估和推理时提供对应的验证集或测试集归档，并使用 finetune 检查点。直接使用本地 Docker 时，应先解压 images_train.tar.gz、images_val.tar.gz 或 images_test.tar.gz，再将路径指向解压后的目录。部署 TensorRT 引擎前，代理应先读取 references/tao-deploy-mask-auto-encoder.md。
这个 Skill 有哪些优点和局限？
- 覆盖预训练、微调、评估、推理、导出和 TensorRT 部署相关流程。
- 提供明确的数据集归档格式、动作级数据源要求和关键参数约束。
- 支持 ConvNeXtV2、ViT 和 Hiera 等架构族，并提供 AutoML 训练策略。
- 包含检查点和父作业结果目录的参数推断规则。
- MAE 预训练最低需要 2 张 GPU，推荐 8 张，且每张 GPU 需要 24GB 以上显存。
- 需要 Docker 和 nvidia-container-toolkit，适合具备 NVIDIA GPU 容器环境的用户。
- 预训练阶段不能直接用于推理或分类式评估，必须使用 finetune 检查点。
- 本地 Docker 运行不能直接把 tar 路径交给 MAE CLI，否则可能产生零样本数据加载器。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| TAO MAE 视觉预训练技能 本页 ✓ NVIDIA · 官方 | 48 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO PyT 图像分类 ✓ NVIDIA · 官方 | 48 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO SegFormer 语义分割技能 ✓ NVIDIA · 官方 | 52 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO 人员重识别训练技能 ✓ NVIDIA · 官方 | 49 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO Visual ChangeNet 工业视觉检测 ✓ NVIDIA · 官方 | 48 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
技能限定为 Read 和 Bash，并明确依赖 Docker/NVIDIA Container Toolkit；但会处理数据集、检查点、S3 路径和 encryption_key，未说明敏感数据保护、最小化权限、用户确认、网络流向、回滚或失败恢复，因此扣分。未见恶意软件、凭据窃取、隐蔽外传或破坏性默认值等红线风险。
SKILL.md、skill_info.yaml 和模板对 train/evaluate/export/inference 的命令、输入、输出及若干错误模式有较一致说明，且标注确定性训练设置；但静态审查未执行关键路径，依赖版本、环境复现、异常输入反馈和完整测试覆盖不足，按静态上限不超过10，故扣分。
触发词、MAE 的 pretrain/finetune 场景、动作范围、数据格式、硬件要求和不适用的预训练推理场景较清楚；但缺少更完整的非适用边界、输出契约和中文使用说明，Docker/NVIDIA GPU 门槛较高，也未证明大陆网络环境下相关镜像或数据源可达，因此扣分。
技能包含 front matter、版本0.1.0、作者、Apache-2.0 声明、参数表、模板和错误模式，结构可读；但缺少明确的 Instructions/Examples 分节，维护责任、变更记录、依赖版本和更新路径不完整，author 格式也被基准报告标为不符合规范；提供的许可元数据为 NOASSERTION，故未给高分。
文档覆盖数据源映射、AutoML 路由、阶段选择、检查点传递、导出和部署入口，理论上可完成核心 TAO MAE 工作流；但没有静态可验证的代表性最终产物，部署参考文件内容不完整，且高 GPU/显存成本和若干模板/运行时假设可能导致额外人工修正，因此按静态上限不超过7并扣分。
存在带日期的单任务 NVSkills-Eval 报告及结果摘要，并给出静态检查发现；但仅一项正向任务、无负向触发覆盖、无原始日志或提交测试覆盖该技能关键路径，无法独立复现或交叉 corroborate 主要结论，按静态上限不超过5。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →