提交训练作业

sf submit 全流程：资源声明、超参覆盖、数据引用、镜像与观测

sf submit my-grpo --profile h200:8

本地校验、打包上传、服务端准入（catalog / 配额 / 预检）、排队、投放。下面是这条路上的开关。

​

资源：—profile

sf submit my-exp --profile h200          # 注册表默认形状
sf submit my-exp --profile h200:4        # 4 张卡
sf submit my-exp --profile h200:16       # 2 满节点
sf submit my-exp --profile train=h200:8 --profile rollout=h100:2   # 异构多池

--profile 是唯一资源入口，语义见资源模型。

​

超参：—set

sf submit my-exp -s policy.optimizer.kwargs.lr=1e-6 -s grpo.kl_coef=0.05

可重复；按方法声明本地校验类型与区间，拼错立即报错。只影响本次提交，不改实验文件。

​

模型与数据

NeMo-RL

模型与数据在 config 里声明（基底 + 模型片段），提交时通常不需要额外参数。

verl / TRL

sf submit my-verl \
  --model Qwen/Qwen3.5-9B \
  --train-data data/train.parquet \
  --validation-data data/val.parquet

--model（HF id 或路径）与 --train-data / --validation-data 必填。

平台数据集

sf submit my-verl \
  --train-dataset alice/gsm8k-zh@v2 \
  --train-data train.parquet          # 数据集内的相对文件名

引用平台数据集（<owner>/<name>[@version]）时，作业启动自动拉到共享缓存并注入 <NAME>_DATA_DIR；--train-data 写数据集内相对路径。推荐写在 config 的 data.train.dataset，CLI 参数仅作临时覆盖。详见数据集。

​

项目名

控制台按 starforge.yaml 的 name 聚合本项目下的所有 run，提交时自动带上，不必再写 --project。

​

单次作业覆盖镜像

sf submit my-custom --profile h200:8 \
  --image myregistry.io/train:v1

一等框架和 custom 都能用 --image；custom 必须显式给。解析顺序：--image → Console 框架默认 → runtime registry → catalog。tag 能用，生产建议 digest。仓库要在服务端 allowlist 里。

日志跟 stdout 走。控制台曲线要在训练里调 starforge.report。当前 catalog 的 custom 默认是外部观测，那种提交还要带 --observability-url。完整写法：自定义训练。Docker 和白名单：自定义镜像。

​

溯源与豁免

参数	语义
--allow-dirty	工作区有未提交改动时仍提交（默认拒绝，保证可追溯到确切 commit）。未跟踪文件会列出警告
--no-validate	跳过提交前校验
--upgrade-recipe	提交前把实验锁升级到当前 catalog（配 --framework-version 可同时切版本）

打包器有敏感文件黑名单（.env、*.pem、id_rsa* 等），命中会拒绝打包——密钥不应进入作业包，平台侧有专门的密钥注入通道。

​

训练后自动动作：—then

sf submit my-exp --then export --then eval

训练成功后自动执行导出 / 评测，详见流水线。

​

提交之后

sf job ls                 # 作业列表
sf job logs               # 跟随最近作业日志（-n 0 看全量历史）
sf job status <JOB_ID>    # 状态详情
sf job stop <JOB_ID>      # 停止
sf job pause <JOB_ID>     # 暂停（保留 checkpoint）
sf job resume <JOB_ID>    # 从最近 checkpoint 续训
sf job retry <JOB_ID>     # 失败/中断的作业重新排队（同 run id，从最近 checkpoint 继续）

服务端受理时可能拒绝的常见原因（都会给出明确报错）：catalog 握手失败（锁过期）、配额不足（进队列等待不算失败）、镜像 registry 不在 allowlist、HF gated 模型未授权、批大小校验不过。排查见故障排查。