From dcc7921ebfaeb4d9dbbac175f09d49b383d523fe Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?=E6=95=85=E7=92=83?= Date: Thu, 9 Jul 2026 20:18:48 +0800 Subject: [PATCH] feat: update skill --- skills/bailian-train-deploy/README.md | 16 ++++----- skills/bailian-train-deploy/README.zh.md | 16 ++++----- skills/bailian-train-deploy/SKILL.md | 36 +++++++++---------- .../bailian-train-deploy/references/audio.md | 9 +++-- .../bailian-train-deploy/references/deploy.md | 6 ++-- .../references/finetune.md | 4 +-- .../bailian-train-deploy/references/image.md | 12 +++---- .../bailian-train-deploy/references/text.md | 6 ++-- 8 files changed, 51 insertions(+), 54 deletions(-) diff --git a/skills/bailian-train-deploy/README.md b/skills/bailian-train-deploy/README.md index c4ecb3e0..4e3a5b25 100644 --- a/skills/bailian-train-deploy/README.md +++ b/skills/bailian-train-deploy/README.md @@ -10,9 +10,9 @@ Tell your agent "train a model" or "deploy my fine-tuned model on Bailian," and 1. **Pre-check** — verify auth (`bl auth status`) and query training capabilities (`bl finetune capability`) to pick a supported base model and training type 2. **Prepare data** — local file, an already-uploaded dataset, or a generated sample; validate with `bl dataset validate` before submitting -3. **Create the fine-tune job** — `bl finetune create` with the right `--training-type` (`sft-lora` / `sft` / `dpo` / `cpt`) and sensible hyperparameters. Audio TTS uses `sft-lora` → `efficient_sft` with auto-injected audio hyperparams. Image generation also uses `sft-lora` with auto-injected Wan2.x hyperparams (max_steps, lora_rank, etc.) +3. **Create the fine-tune job** — `bl finetune create` with the right `--training-type` (`sft-lora` / `sft` / `dpo` / `cpt`) and sensible hyperparameters. Audio TTS uses `sft-lora` → `efficient_sft` with auto-injected audio hyperparams. Image generation also uses `sft-lora` with auto-injected Wan2.x hyperparams (max_steps, lora_rank, etc.) 4. **Wait asynchronously** — poll training status via a Monitor script (non-blocking), exit on `SUCCEEDED` / `FAILED` / `CANCELED` -5. **Deploy** — `bl deploy create` to turn the fine-tuned (or base) model into a dedicated inference instance +5. **Deploy** — `bl deploy create` to turn the fine-tuned (or base) model into a dedicated inference instance 6. **Wait for ready** — poll deployment status until `RUNNING` 7. **Hand off** — a ready-to-run example: `bl text chat` for text models, `bl speech synthesize --voice default` for audio TTS, async API + trigger word for image generation @@ -43,7 +43,7 @@ Tell your agent "train a model" or "deploy my fine-tuned model on Bailian," and ## Safety guardrails -`bl finetune create` and `bl deploy create` are real write operations that create billable resources. `bl` has **no `--dry-run`**, so the skill substitutes real pre-checks + a billing gate: +`bl finetune create` and `bl deploy create` are real write operations that create billable resources. `bl` has **no `--dry-run`**, so the skill substitutes real pre-checks + a billing gate: 1. **Pre-checks instead of dry-run** — `bl finetune capability --model ` (training support), `bl deploy models --source custom|base` (deployable + available plans), `bl deploy list --status RUNNING` (reuse an existing deployment of the same model instead of creating a second billable instance). 2. **Billing gate on `mu`/`ptu`** — `lora` (token-billed, idle usually free) is the safe default; `mu`/`ptu` are reserved resources that bill even when idle, so the skill **asks the user for explicit confirmation before creating them** and never auto-approves reserved resources with `--yes` in non-interactive (agent/CI) contexts. @@ -68,10 +68,10 @@ The skill walks the two-link pipeline, polling at the two wait points via Monito ``` Link A (train then deploy): -dataset → finetune create → wait SUCCEEDED → (auto-export) → deploy create → wait RUNNING → text chat +dataset → finetune create → wait SUCCEEDED → (auto-export) → deploy create → wait RUNNING → text chat Link B (deploy base, skip training): -base model → deploy create → wait RUNNING → text chat +base model → deploy create → wait RUNNING → text chat ``` It captures the right IDs at each step (`job_id` / `finetuned_output` → `deployed_model`) and steers around the common pitfalls (e.g. calling the fine-tuned model by its `qwen3-8b-ft-...` name returns 404 — you must deploy first and call the `deployed_model` instance id). @@ -83,15 +83,15 @@ User request → Pre-check auth + training capability (listFoundationModels via API key) → Modality dispatch: text → text.md | audio TTS → audio.md | image → image.md → Prepare & validate dataset (text .jsonl / audio .zip / image .zip) - → finetune create (sft-lora default; CLI value → server field; audio/image hyperparams auto-injected) + → finetune create (sft-lora default; CLI value → server field; audio/image hyperparams auto-injected) → Monitor wait.sh finetune (30s poll, async) → Auto-export best checkpoint (usually skip manual export) - → deploy create (pick plan by model source + modality: text ft → lora/mu, audio TTS → mu, image → lora) + → deploy create (pick plan by model source + modality: text ft → lora/mu, audio TTS → mu, image → lora) → Monitor wait.sh deploy (15s poll, async) → Call: text → text chat | audio TTS → speech synthesize | image → async API + trigger word ``` -The skill encodes the full orchestration plus the gotchas (zsh `status` is read-only, `--model` means different things in `deploy create` vs inference commands, state-propagation 404 right after `RUNNING`, idle-billing differences between `lora` / `mu` / `ptu`, audio TTS only supports `mu` plan, image generation only supports `lora` plan, image prompt requires trigger word) so the agent doesn't have to rediscover them. +The skill encodes the full orchestration plus the gotchas (zsh `status` is read-only, `--model` means different things in `deploy create` vs inference commands, state-propagation 404 right after `RUNNING`, idle-billing differences between `lora` / `mu` / `ptu`, audio TTS only supports `mu` plan, image generation only supports `lora` plan, image prompt requires trigger word) so the agent doesn't have to rediscover them. ## Modality extension architecture diff --git a/skills/bailian-train-deploy/README.zh.md b/skills/bailian-train-deploy/README.zh.md index ee393d9b..be73fa29 100644 --- a/skills/bailian-train-deploy/README.zh.md +++ b/skills/bailian-train-deploy/README.zh.md @@ -10,9 +10,9 @@ 1. **前置检查** —— 验证认证（`bl auth status`）、查询训练能力（`bl finetune capability`），选定支持的基座与训练类型 2. **准备数据** —— 本地文件、已上传数据集或生成示例数据；提交前用 `bl dataset validate` 校验通过 -3. **创建微调任务** —— `bl finetune create`，选对 `--training-type`（`sft-lora` / `sft` / `dpo` / `cpt`）与合理超参 +3. **创建微调任务** —— `bl finetune <模态> create`，选对 `--training-type`（`sft-lora` / `sft` / `dpo` / `cpt`）与合理超参 4. **异步等待** —— 用 Monitor 脚本轮询训练状态（不阻塞），到 `SUCCEEDED` / `FAILED` / `CANCELED` 终态退出 -5. **创建部署** —— `bl deploy create`，把微调（或基座）模型变成专属推理实例 +5. **创建部署** —— `bl deploy <模态> create`，把微调（或基座）模型变成专属推理实例 6. **等待就绪** —— 轮询部署状态直到 `RUNNING` 7. **交付调用** —— 给出可直接运行的推理示例：文本模型用 `bl text chat`，音频 TTS 用 `bl speech synthesize --voice default`，图像生成用异步 API + 触发词，加常用运维命令 @@ -47,7 +47,7 @@ ## 安全护栏 -`bl finetune create` 与 `bl deploy create` 都是真实写操作，会产生计费资源。`bl` **没有 `--dry-run`**，所以用真实预检 + 计费闸门代替： +`bl finetune <模态> create` 与 `bl deploy <模态> create` 都是真实写操作，会产生计费资源。`bl` **没有 `--dry-run`**，所以用真实预检 + 计费闸门代替： 1. **预检代替 dry-run** —— `bl finetune capability --model `（训练支持）、`bl deploy models --source custom|base`（可部署 + 可用 plan）、`bl deploy list --status RUNNING`（复用已有同模型部署，不再建第二个计费实例）。 2. **mu/ptu 计费闸门** —— `lora`（token 计费，闲置一般免费）是安全默认；`mu`/`ptu` 是预留资源、闲置也计费，创建前**必须取得用户显式确认**，在 agent/CI 等非交互环境**不用 `--yes` 替用户放行**。 @@ -65,10 +65,10 @@ Skill 会走两段链路，在两处「等待」用 Monitor 异步轮询： ``` 链路 A（先训练后部署）： -数据集 → finetune create → 等 SUCCEEDED → (自动导出) → deploy create → 等 RUNNING → text chat +数据集 → finetune <模态> create → 等 SUCCEEDED → (自动导出) → deploy <模态> create → 等 RUNNING → text chat 链路 B（直接部署基座，跳过训练）： -基座 → deploy create → 等 RUNNING → text chat +基座 → deploy <模态> create → 等 RUNNING → text chat ``` 每一步捕获正确的 id（`job_id` / `finetuned_output` → `deployed_model`），并绕开常见坑（例如直接用 `qwen3-8b-ft-...` 名字调用会 404 —— 必须先部署，再用响应里的 `deployed_model` 实例 id 调用）。 @@ -87,15 +87,15 @@ Skill 会走两段链路，在两处「等待」用 Monitor 异步轮询： → 前置检查：认证 + 训练能力（listFoundationModels，走 API key） → 模态分发：文本 → text.md | 音频 TTS → audio.md | 图像生成 → image.md → 准备并校验数据集（文本 .jsonl / 音频 .zip / 图像 .zip） - → finetune create（默认 sft-lora；CLI 值映射到服务端字段；音频/图像超参自动注入） + → finetune <模态> create（默认 sft-lora；CLI 值映射到服务端字段；音频/图像超参自动注入） → Monitor wait.sh finetune （30s 轮询，异步） → 自动导出 best checkpoint（通常跳过手动导出） - → deploy create（按模型来源和模态选 plan：文本微调用 lora/mu，音频 TTS 只支持 mu，图像生成只支持 lora） + → deploy <模态> create（按模型来源和模态选 plan：文本微调用 lora/mu，音频 TTS 只支持 mu，图像生成只支持 lora） → Monitor wait.sh deploy （15s 轮询，异步） → 调用：文本 → text chat | 音频 TTS → speech synthesize | 图像生成 → 异步 API + 触发词 ``` -Skill 把完整编排和高频避坑点都固化进去（zsh 的 `status` 是只读变量、`--model` 在 `deploy create` 与推理命令里含义不同、刚到 `RUNNING` 时状态传播延迟导致 404、`lora` / `mu` / `ptu` 闲置计费差异、音频 TTS 只支持 mu plan、图像生成只支持 lora plan、图像推理需异步调用 + 触发词），让 Agent 不必重新踩坑。 +Skill 把完整编排和高频避坑点都固化进去（zsh 的 `status` 是只读变量、`--model` 在 `deploy <模态> create` 与推理命令里含义不同、刚到 `RUNNING` 时状态传播延迟导致 404、`lora` / `mu` / `ptu` 闲置计费差异、音频 TTS 只支持 mu plan、图像生成只支持 lora plan、图像推理需异步调用 + 触发词），让 Agent 不必重新踩坑。 ## 模态扩展架构 diff --git a/skills/bailian-train-deploy/SKILL.md b/skills/bailian-train-deploy/SKILL.md index a6d20fe0..16310513 100644 --- a/skills/bailian-train-deploy/SKILL.md +++ b/skills/bailian-train-deploy/SKILL.md @@ -9,10 +9,10 @@ description: 用百炼 CLI (`bl`) 走完"数据→微调训练→导出→部署 ``` 链路 A（先训练后部署）： -数据集 → finetune create → 等 SUCCEEDED → 导出模型(通常自动) → deploy create → 等 RUNNING → 调用 +数据集 → finetune <模态> create → 等 SUCCEEDED → 导出模型(通常自动) → deploy <模态> create → 等 RUNNING → 调用 链路 B（直接部署基座，跳过训练）： -选基座 → deploy create → 等 RUNNING → 调用 +选基座 → deploy <模态> create → 等 RUNNING → 调用 ``` 链路 B 适用于"只想把某个基座跑成自己的部署服务"——和直接调用 API 在推理上没本质区别，但能拿到独立部署实例、可调速率/计费方式、纳入自己的运维。**仅当用户明确表示不训练 / 跳过训练 / 直接部署基座时才走这条**；用户只是没提训练细节时，默认按链路 A 引导，不要擅自跳过训练。 @@ -27,7 +27,7 @@ description: 用百炼 CLI (`bl`) 走完"数据→微调训练→导出→部署 ## 写操作护栏（创建前必读） -`bl finetune create` 与 `bl deploy create` 都是真实写操作，会产生计费资源（微调训练 + 推理部署）。`bl` **没有 `--dry-run`**，所以用**预检命令**代替预演、用**计费确认**把关预留资源。任何写操作前必须先过这三道闸： +`bl finetune <模态> create` 与 `bl deploy <模态> create` 都是真实写操作，会产生计费资源（微调训练 + 推理部署）。`bl` **没有 `--dry-run`**，所以用**预检命令**代替预演、用**计费确认**把关预留资源。任何写操作前必须先过这三道闸： 1. **预检代替 dry-run**（创建前必跑，确认可行再写）。这些预检命令本身都需先通过下方[前置检查](#前置检查动作流起点)的认证——未认证先 `bl auth login` 再预检： - 训练前：`bl finetune capability --model ` —— 确认基座支持你选的 training-type（不支持会快速失败且不耗配额；`create` 提交时也会再校验一次）。 @@ -54,17 +54,17 @@ description: 用百炼 CLI (`bl`) 走完"数据→微调训练→导出→部署 ## 反幻觉清单 - **`--model` 在不同命令里含义不同，切勿复用**： - - `bl finetune create --model` → 基座模型名（文本 `qwen3-8b`，音频 `cosyvoice-v3-flash`，图像 `wan2.7-image-pro`）。 - - `bl deploy create --model` → 导出模型名（链路 A：`qwen3-8b-ft-...` / `cosyvoice-v3-flash-ft-...` / `wan2.7-image-pro-ft-...`；链路 B：基座名）。 - - 推理命令 `--model` → 必须用 `deploy create` 响应里的 `deployed_model`，**不是**你传给 deploy create 的名字。 -- **`--training-type` 取值穷举**：`sft` / `sft-lora`（默认）/ `dpo` / `dpo-lora` / `cpt`。映射在 CLI 边界完成（`sft-lora`→`efficient_sft`），永远传 CLI 值，不要传服务端字符串。`cpt` 无 `-lora` 变体。音频 TTS 和图像生成都只用 `sft-lora`。 + - `bl finetune <模态> create --model` → 基座模型名（文本 `qwen3-8b`，音频 `cosyvoice-v3-flash`，图像 `wan2.7-image-pro`）。 + - `bl deploy <模态> create --model` → 导出模型名（链路 A：`qwen3-8b-ft-...` / `cosyvoice-v3-flash-ft-...` / `wan2.7-image-pro-ft-...`；链路 B：基座名）。 + - 推理命令 `--model` → 必须用 `deploy <模态> create` 响应里的 `deployed_model`，**不是**你传给 deploy <模态> create 的名字。 +- **`--training-type` 取值穷举**：`sft` / `sft-lora`（默认）/ `dpo` / `dpo-lora` / `cpt`。映射在 CLI 边界完成（`sft-lora`→`efficient_sft`），永远传 CLI 值，不要传服务端字符串。`cpt` 无 `-lora` 变体。音频 TTS 和图像生成都只用 `sft-lora`——`finetune audio create` / `finetune image create` **不暴露此 flag**，仅 `finetune text create` 接受。 - **`--plan` 取值穷举**：`lora`（默认，token 计费）/ `ptu`（需 `--input-tpm`/`--output-tpm`）/ `mu`（需 `--deploy-spec`/`--capacity`）。链路 B 基座通常**不支持 `lora`**。音频 TTS 微调模型**只支持 `mu`**。图像生成微调模型**只支持 `lora`**。 - **`--deploy-spec`**（非 ~~template-id~~）：mu plan 的部署规格 flag。CLI 从 catalog 读取 `template_id`，在请求体中发送为 `deploy_spec`。 - **`--source` 取值穷举**（`bl deploy models`）：`custom`（微调输出）/ `base`（基座）/ `public`。 - **`--learning-rate` 必须字符串**：传 `"3e-4"`，不要传数字 `3e-4`，避免 JSON 精度丢失（文本适用，音频/图像不需要传此参数）。 - **推理命令因模态不同**：文本模型用 `bl text chat`，音频 TTS 用 `bl speech synthesize --voice default`，图像生成用异步 API + 触发词（详见 [`references/image.md`](references/image.md#推理与调用)）。 -- **没有这些 flag/子命令**：`bl` 无 `--dry-run`、无 `deploy create create`、无 `finetune start`、无 `deploy stop`（CLI 暂无 stop 命令，RUNNING 的 mu/ptu 需到控制台停用）。 -- **必填**：`finetune create` 的 `--model` / `--datasets`；`deploy create` 的 `--model` / `--name`。 +- **没有这些 flag/子命令**：`bl` 无 `--dry-run`、无裸 `finetune create`/`deploy create`（**必须带模态段**：`finetune text|audio|image create`、`deploy text|audio|image create`）、无 `finetune start`、无 `deploy stop`（CLI 暂无 stop 命令，RUNNING 的 mu/ptu 需到控制台停用）。 +- **必填**：`finetune <模态> create` 的 `--model` / `--datasets`；`deploy <模态> create` 的 `--model` / `--name`。 ## 前置检查（动作流起点） @@ -72,7 +72,7 @@ description: 用百炼 CLI (`bl`) 走完"数据→微调训练→导出→部署 - 基座选型：查询训练能力用 `bl finetune capability`（查 listFoundationModels，走 API key、无需 console 登录）： - `bl finetune capability --model ` —— 该模型支持哪些训练类型。 - `bl finetune capability --training-type sft-lora` —— 反向查：哪些模型支持该训练类型（返回 `models` 列表，含中文名）。 - - 选定基座后可直接进入第 2 步；`bl finetune create` 提交前也会再用 listFoundationModels 校验，不支持会快速失败。 + - 选定基座后可直接进入第 2 步；`bl finetune <模态> create` 提交前也会再用 listFoundationModels 校验，不支持会快速失败。 - 文本推理推荐 Qwen3 系列（`qwen3-8b` / `qwen3-14b` / `qwen3.6-flash`）；音频 TTS 用 `cosyvoice-v3-flash`；图像生成用 `wan2.7-image-pro` / `wan2.7-image`。 ## 第 1 步：准备数据集 @@ -93,17 +93,16 @@ description: 用百炼 CLI (`bl`) 走完"数据→微调训练→导出→部署 ## 第 2 步：创建微调任务 ```bash -bl finetune create \ +bl finetune <模态> create \ --model \ --datasets \ - --training-type sft-lora \ --yes --output json ``` **training-type 取值与映射**详见 [`references/finetune.md`](references/finetune.md)。**模态特异性超参**见对应参考文件： -- 文本模型：`--n-epochs` / `--learning-rate` 等，详见 [`references/text.md`](references/text.md#创建训练任务)。 -- 音频 TTS：`--training-type` 固定 `sft-lora`，超参由 CLI 自动注入，详见 [`references/audio.md`](references/audio.md#创建训练任务)。 -- 图像生成：`--training-type` 固定 `sft-lora`，超参由 CLI 自动注入，详见 [`references/image.md`](references/image.md#创建训练任务)。 +- 文本模型（`finetune text create`）：接受 `--training-type` / `--n-epochs` / `--learning-rate` 等，详见 [`references/text.md`](references/text.md#创建训练任务)。 +- 音频 TTS（`finetune audio create`）：**不暴露 `--training-type`**（内部固定 `sft-lora`），超参由 CLI 自动注入，详见 [`references/audio.md`](references/audio.md#创建训练任务)。 +- 图像生成（`finetune image create`）：**不暴露 `--training-type`**（内部固定 `sft-lora`），超参由 CLI 自动注入，详见 [`references/image.md`](references/image.md#创建训练任务)。 从响应记下：`output.job_id`、`output.finetuned_output`（输出模型名，形如 `-ft--`）。 @@ -136,13 +135,14 @@ bl finetune export --job-id --checkpoint --model-name <自定义 ⚠️ **关键避坑：微调后的模型不能直接用微调输出名调用，会 404 `Model not exist`。必须先创建部署。**（链路 B 部署基座同理——直接调用走的是公共推理，不经过你的部署实例。） ```bash -bl deploy create \ +bl deploy <模态> create \ --model \ # 微调输出名(链路A) 或基座名(链路B) --name \ --plan \ # 见下方说明 --yes --output json ``` +- **模态段**（`text` / `audio` / `image`）须与部署模型模态匹配；三个模态子命令 flag 完全相同。 - `--model`：链路 A 传第 2 步的 `finetuned_output`；链路 B 直接传基座模型名。 - `--plan`： - 文本微调模型默认 `lora`（token 计费），也可用 `mu`。 @@ -153,7 +153,7 @@ bl deploy create \ - `--deploy-spec`：mu plan 的部署规格（如 `dps-20260521172224-1vabse`），省略时自动从 catalog 匹配。 - 不确定支持哪些 plan：链路 A 用 `bl deploy models --source custom`，链路 B 用 `bl deploy models --source base`，按返回的 `plans` 选。 -⚠️ **避坑（最高频错误）：`--model` 在 `deploy create` 与推理命令里含义不同**——`deploy create --model` 传导出模型名，响应返回的 `output.deployed_model` 才是部署实例 id，推理命令 `--model` 必须用 `deployed_model`，**不要复用**。详见 [`references/deploy.md`](references/deploy.md)。 +⚠️ **避坑（最高频错误）：`--model` 在 `deploy <模态> create` 与推理命令里含义不同**——`deploy <模态> create --model` 传导出模型名，响应返回的 `output.deployed_model` 才是部署实例 id，推理命令 `--model` 必须用 `deployed_model`，**不要复用**。详见 [`references/deploy.md`](references/deploy.md)。 从响应记下：`output.deployed_model`。 @@ -186,7 +186,7 @@ bl speech synthesize --model --voice default --text "你要合 # 详见 references/image.md —— 需 X-DashScope-Async 头 + prompt 含触发词 ``` -> `--model` 必须用 `deploy create` 响应中的 `deployed_model`，**不是**微调输出名。音频 TTS 的 `--voice` 固定为 `default`。图像生成需异步调用且 prompt 包含触发词。详见对应模态参考文件。 +> `--model` 必须用 `deploy <模态> create` 响应中的 `deployed_model`，**不是**微调输出名。音频 TTS 的 `--voice` 固定为 `default`。图像生成需异步调用且 prompt 包含触发词。详见对应模态参考文件。 向用户交付时给出： - **部署实例 id**（`deployed_model`）——调用用它，不是微调输出名 diff --git a/skills/bailian-train-deploy/references/audio.md b/skills/bailian-train-deploy/references/audio.md index 55cff262..e5d4f002 100644 --- a/skills/bailian-train-deploy/references/audio.md +++ b/skills/bailian-train-deploy/references/audio.md @@ -50,15 +50,14 @@ pip install edge-tts ## 创建训练任务 ```bash -bl finetune create \ +bl finetune audio create \ --model cosyvoice-v3-flash \ --datasets \ - --training-type sft-lora \ --yes --output json ``` 要点： -- `--training-type` 固定 `sft-lora`（CLI 映射到 `efficient_sft`），音频不支持全参 sft / dpo / cpt +- 音频微调固定用 `sft-lora`（映射到 `efficient_sft`）——`finetune audio create` **不暴露 `--training-type`**，无需也不能传；不支持全参 sft / dpo / cpt - **无需手动传超参**——8 个音频专有超参（lm_max_epoch、fm_max_epoch 等）由 CLI 自动注入默认值 - `--n-epochs` / `--learning-rate` / `--batch-size` 等文本超参对音频无效，不要传 - capability 检查可能显示 `supports.sft=false`，这是已知矛盾（API 元数据与实际行为不一致），CLI 已自动跳过 @@ -72,7 +71,7 @@ bl finetune create \ ## 部署 ```bash -bl deploy create \ +bl deploy audio create \ --model \ --name \ --plan mu \ @@ -100,7 +99,7 @@ bl speech synthesize \ ``` 要点： -- `--model` 必须用 `deploy create` 响应中的 `deployed_model`（如 `cosyvoice-v3-flash-9d4f3eeb27ca`），**不是** `finetuned_output` +- `--model` 必须用 `deploy audio create` 响应中的 `deployed_model`（如 `cosyvoice-v3-flash-9d4f3eeb27ca`），**不是** `finetuned_output` - `--voice` 必须为 `default`（微调模型只有这一个 voice） - 输出为音频文件（mp3/wav/pcm/opus），用 `--format` 指定 - 推理秒级返回 diff --git a/skills/bailian-train-deploy/references/deploy.md b/skills/bailian-train-deploy/references/deploy.md index 463b3635..507e0b37 100644 --- a/skills/bailian-train-deploy/references/deploy.md +++ b/skills/bailian-train-deploy/references/deploy.md @@ -33,9 +33,9 @@ ## --model 在不同命令里含义不同（最高频错误，切勿混用） -- `bl deploy create --model` 传的是**导出模型名**（`qwen3-8b-ft-...`，链路 A 来自第 2 步 `finetuned_output`；链路 B 直接传基座名 `qwen3-8b`）。 +- `bl deploy <模态> create --model` 传的是**导出模型名**（`qwen3-8b-ft-...`，链路 A 来自第 2 步 `finetuned_output`；链路 B 直接传基座名 `qwen3-8b`）。 - 响应里返回的 `output.deployed_model`（如 `qwen3-8b-b98a331831a7`）才是**部署实例 id**。 -- 下一步推理（`bl text chat` / `bl speech synthesize` / 异步 API）`--model` 必须用响应里的 `deployed_model`，**不是**你传给 `deploy create` 的名字。两个 `--model` 指向不同值，不要复用。 +- 下一步推理（`bl text chat` / `bl speech synthesize` / 异步 API）`--model` 必须用响应里的 `deployed_model`，**不是**你传给 `deploy <模态> create` 的名字。两个 `--model` 指向不同值，不要复用。 ## 计费与运维细则 @@ -43,7 +43,7 @@ - **删除约束**：`bl deploy delete` 只能删 `STOPPED` / `FAILED` 状态的部署；CLI 暂无 `stop` 命令——`RUNNING` 状态的 mu/ptu 需先到百炼控制台停用，再删；或用 `bl deploy delete --deployed-model --skip-precheck` 尝试（跳过本地前置检查，但服务端仍可能拒绝 RUNNING 删除）。 - **状态传播延迟**：部署刚到 `RUNNING` 时立即调用可能短暂 404 `Model not exist`，是服务端状态传播延迟，约 1 分钟内稳定，遇 404 等十几秒重试；若持续 404，先核对用的是 `deployed_model` 而非微调输出名。 -## 必填 flag（`bl deploy create`） +## 必填 flag（`bl deploy <模态> create`） - `--model`：导出模型名（见上方歧义说明）。 - `--name`：控制台显示名。 diff --git a/skills/bailian-train-deploy/references/finetune.md b/skills/bailian-train-deploy/references/finetune.md index fb58037f..00855310 100644 --- a/skills/bailian-train-deploy/references/finetune.md +++ b/skills/bailian-train-deploy/references/finetune.md @@ -14,7 +14,7 @@ CLI 用 `` / `-lora` 约定，提交时在 CLI 边界映射到 | `cpt` | 继续预训练 | 文本 | 注入领域知识，需非对话格式数据 | > `cpt` 服务端没有 `-lora` 变体，只有全参；其余方法（sft / dpo）均有 `` 与 `-lora` 两个变体。 -> 音频 TTS 和图像生成都只用 `sft-lora`（映射到 `efficient_sft`），不支持其他 training-type。 +> 音频 TTS 和图像生成都只用 `sft-lora`（映射到 `efficient_sft`），不支持其他 training-type；且 `finetune audio create` / `finetune image create` **不暴露 `--training-type` flag**（内部固定 sft-lora），该 flag 仅 `finetune text create` 接受。 ## 超参建议 @@ -46,6 +46,6 @@ CLI 用 `` / `-lora` 约定，提交时在 CLI 边界映射到 ## 提交前校验 -`bl finetune create` 提交前会用 listFoundationModels 校验模型是否支持所选 training-type，不支持会快速失败（不耗配额）。若训练集样本数 ≤ batch_size，会在上传/耗配额前被拒。可用 `bl finetune capability --model ` 提前确认。 +`bl finetune <模态> create` 提交前会用 listFoundationModels 校验模型是否支持所选 training-type，不支持会快速失败（不耗配额）。若训练集样本数 ≤ batch_size，会在上传/耗配额前被拒。可用 `bl finetune capability --model ` 提前确认。 > **已知矛盾**：cosyvoice-v3-flash 和 wan2.7 系列的 capability 返回 `supports.sft=false`，但 API 实际接受 `efficient_sft` 训练请求。CLI 已对音频和图像模态自动跳过此检查。 diff --git a/skills/bailian-train-deploy/references/image.md b/skills/bailian-train-deploy/references/image.md index 7097ca1f..f6facaf4 100644 --- a/skills/bailian-train-deploy/references/image.md +++ b/skills/bailian-train-deploy/references/image.md @@ -54,25 +54,23 @@ bl dataset validate --file --schema image # 显式指定 ## 创建训练任务 ```bash -bl finetune create \ +bl finetune image create \ --model wan2.7-image-pro \ --datasets \ - --training-type sft-lora \ --yes --output json ``` I2I（图生图）模式**自动检测**——只要 JSONL 中有 `input_img` 字段，CLI 自动识别为 I2I 并调整超参（`max_pixels`/`val_img_size` 从 "2k" 切换为 "1k"），无需额外 flag： ```bash -bl finetune create \ +bl finetune image create \ --model wan2.7-image-pro \ --datasets \ - --training-type sft-lora \ --yes --output json ``` 要点： -- `--training-type` 固定 `sft-lora`（CLI 映射到 `efficient_sft`），图像不支持全参 sft / dpo / cpt +- 图像微调固定用 `sft-lora`（映射到 `efficient_sft`）——`finetune image create` **不暴露 `--training-type`**，无需也不能传；不支持全参 sft / dpo / cpt - **无需手动传超参**——12 个图像专有超参由 CLI 自动注入默认值 - T2I/I2I 由数据内容自动推断（首行有 `input_img` → I2I，否则 T2I），`max_pixels`/`val_img_size` 随之自动调整 - `--n-epochs` / `--batch-size` 等文本超参对图像无效，不要传 @@ -87,7 +85,7 @@ bl finetune create \ ## 部署 ```bash -bl deploy create \ +bl deploy image create \ --model \ --name \ --plan lora \ @@ -123,7 +121,7 @@ curl -X POST 'https://dashscope.aliyuncs.com/api/v1/services/aigc/image-generati ``` 要点： -- `model` 必须用 `deploy create` 响应中的 `deployed_model`，**不是** `finetuned_output` +- `model` 必须用 `deploy image create` 响应中的 `deployed_model`，**不是** `finetuned_output` - 请求头必须带 `X-DashScope-Async: enable`（异步模式） - `prompt` 中**必须包含触发词**（训练完成后平台会告知，形如 `s86b5p`） - 返回 `task_id`，通过轮询获取结果 diff --git a/skills/bailian-train-deploy/references/text.md b/skills/bailian-train-deploy/references/text.md index 36f26cdc..05a9e068 100644 --- a/skills/bailian-train-deploy/references/text.md +++ b/skills/bailian-train-deploy/references/text.md @@ -34,7 +34,7 @@ bl dataset validate --file --schema dpo # 显式指定 ## 创建训练任务 ```bash -bl finetune create \ +bl finetune text create \ --model qwen3-8b \ --datasets \ --training-type sft-lora \ @@ -60,7 +60,7 @@ bl finetune create \ ## 部署 ```bash -bl deploy create \ +bl deploy text create \ --model \ --name \ --plan lora \ @@ -77,5 +77,5 @@ bl deploy create \ bl text chat --model --message "你的问题" ``` -- `--model` 必须用 `deploy create` 响应中的 `deployed_model`，**不是** `finetuned_output` +- `--model` 必须用 `deploy text create` 响应中的 `deployed_model`，**不是** `finetuned_output` - 建议带一个推理类问题演示效果