拿到第一个有用结果以后
让已经完成的模型， 继续被使用。
先用保存的程序回答自己的材料。需要改变计算时，再训练新配置，保留参数与受支持续训状态。任务流程进一步连接准备、已保存输出与交付。
PyTorch 任务流程 · arti-fit 3.3.0
应用拥有任务定义。
你的模型、数据与目标。评价指标和结果格式，也由应用决定。
ARTI 连接各阶段状态。
准备、检查点、预测提交与选定导出，保留各阶段需要的文件。
进一步：接入完整应用任务。
下面的章节使用安装包的文件型教程，逐项追踪准备、恢复、预测与结果交付。小型向量输入让每个文件都便于检查。训练阅读模型时使用上方阅读案例；生成的文件教程是另一个任务流程示例。
开始之前
先为你的任务，创建一个项目。
从一个新目录开始。生成的项目包含应用代码、配置和 TUTORIAL.md，接下来每一步的命令都在里面。
阅读官方安装包教程 ↗my-task/ ├── project.json ├── code/task_app.py ├── configs/ ├── workflow.py ├── TUTORIAL.md ├── data/ │ ├── source/ │ ├── snapshot/ │ └── cache/ ├── runs/ └── artifacts/
python -m arti task init my-task --name "my task" --template files
cd my-task
python -m arti task check project.json
python -m arti task status project.json
python -m arti task explain project.jsontask check 检查项目声明，不运行任务 factory。status 和 explain 检查阶段证据。recipe plan/check 则可能通过显式训练 factory 构造模型。
01 / PREPARE
准备一次，复用匹配的资产。
把逻辑记录与物理文件保存在不可变快照里。应用的 transform 负责解码和准备；它的修订与选项决定哪些已提交缓存能够复用。
生成的文件教程中，12 条记录引用 6 个独立向量。第二次准备复用 6 个匹配条目。这是官方教程的预期行为，不是本网站测出的性能结果。
详细指南python workflow.py prepare
python workflow.py prepare这个阶段保留什么
data/source/原始记录与声明的二进制文件
data/snapshot/可移动、按内容校验的输入身份
data/cache/匹配输入的已提交 transform 输出
执行边界应用负责 codec、批处理和 transform 语义。复用要求内容、修订和选项匹配。
02 / TRAIN
保留原生损失，恢复原始目标。
任务提供模型、数据和可微标量目标。共享训练会话负责 backward、梯度累积和优化器更新。从完整检查点恢复时，继续完成原始绝对更新目标。
目标为 200 次更新、检查点位于第 80 次时，还需 120 次更新。完整的最后训练状态，与用于预测和导出的验证选定模型分别保存。
详细指南python workflow.py train --stop-after 2
python -m arti task status project.json
python -m arti task explain project.json
python workflow.py recover这个阶段保留什么
runs/training/原始运行、任务契约与完整检查点
runs/recovered/保留原始目标与来源的新恢复尝试
执行边界受支持的恢复范围是本地 Torch 或单进程 Accelerate，以及对应的张量、优化器、scheduler、RNG、数据与验证状态。恢复前先停止原进程。
03 / PREDICT
先提交结果，再报告进度。
将选定模型与任务声明的重建代码、资源打包。预测固定请求 ID，并将结构化输出、命名文件和回执一同发布为已提交部分。
续跑跳过已提交部分，只处理未完成输入。文件教程中，每部分包含两条记录。未发布的 callback 可能再次执行；结果恢复不代表物理意义上的恰好执行一次。
详细指南python workflow.py package
python workflow.py predict --stop-after 1
python workflow.py predict --resume
python workflow.py predict --resume这个阶段保留什么
artifacts/deployment/选定张量状态、任务契约、代码与资源
plan.json · predictions.jsonl · receipt固定输入与已提交结果日志
执行边界每个结果日志使用一个本地写入者。预测器负责输出语义和文件格式；声明的批次保持受支持模型状态。
04 / EVALUATE
用独立参考， 评价已保存结果。
Suite 读取已提交输出，按应用自己的视图评价任务质量、文件有效性或声明的外部证据。参考是明确输入，评价器不会根据模型答案生成标签。
教程评价初始与恢复尝试中的全部四个请求 ID。覆盖、测量指标与阈值验收分别记录。缺少参考时标记 unavailable，不编造零分。
详细指南python workflow.py evaluate
python -m arti task explain project.json这个阶段保留什么
EvaluationSuiteConfig命名视图、scorer 修订与明确标准
.reports/<sha>.json按内容身份保存的评价报告历史
执行边界评价已提交结果不会重新加载模型或重跑预测。得到测量指标本身，并不代表任务质量通过验收。
05 / RUNTIME
在新的本地进程中重建任务。
运行时在兼容环境中使用选定的打包入口、代码和资源。生成的教程启动新的可信本地 worker，写入独立的 cold-prediction 结果日志。
使用方需要预先安装声明的依赖。运行回执记录该进程实际执行了什么，不把操作系统、网络或硬件条件扩展成普遍保证。
详细指南python workflow.py runtime
python workflow.py runtime --resume这个阶段保留什么
artifacts/cold-prediction/独立的打包运行结果日志
TaskRuntimeProfile · runtime receipt声明环境与已观察的 worker 执行
执行边界离线加载提示不等于 socket 隔离。worker deadline 作用于直接 worker；要求的强制条件不受支持时记录为 not_run。
06 / EXPORT
交付完整总体、文件与证据。
应用的 writer 决定结果布局。导出校验原始 ID 总体与文件闭包，再把原生输出、选定任务包、评价及运行回执带入可移动归档。
检查归档时校验清单、摘要与声明结果，无需导入模型或 writer 代码。操作说明与未解决检查随结果移交，使用方能看清仍需验证的事项。
详细指南python workflow.py export
python -m arti task status project.json
python -c "import arti; print(arti.inspect_result_export('artifacts/results.zip'))"这个阶段保留什么
artifacts/results.zip格式化结果、原生输出与选定证据
.arti-export/来源与带校验摘要的文件清单
执行边界导出不执行训练、预测、依赖安装或外部提交。可移动任务仍然需要其声明的兼容环境。
CONTINUE BUILDING