面向 AI 助手：本页的 Markdown 版本位于 https://ark.volcengine.com/region:cn-beijing/docs/inference-and-training.md，全部文档索引见 https://ark.volcengine.com/llms.txt。

推理与训练

推理部署与模型训练：接入点（Endpoint）生命周期、精调训练任务，以及训练数据管理。

  • 普通交互式创建接入点走 +deploy（含模型澄清与复用检查）；脚本化 / CI / 无护栏场景走 infer 的 raw CRUD；
  • train 管精调任务（mcj-*），训练数据来自 dataset（ds-* / dsv-*），导出产物是 cm-* 自定义模型；
  • 导出后衔接 models custommodel 与 infer：先入模型仓库，再按接入点工作流上线。

+deploy#

引导式创建推理接入点：模型澄清、复用检查、Profile 默认资源同步（infer endpoint create 的带护栏版本）

Bash
arkcli +deploy
Flag 类型 说明
--name string（必填） Endpoint 名称
--description string 接入点描述
--model string（必填） 模型 ID（基础模型或自定义模型）
--model-unit-id string 模型单元 ID
--rate-limit string 限流配置（JSON 字符串）
--batch-only bool 仅批量模式
--moderation string 内容审核配置（JSON 字符串）
--data-delivery bool 数据投递模式
--dedicated-to-ptu bool 专用于 PTU
--dedicated-to-dynamic-ptu bool 专用于动态 PTU
--content-generation string 内容生成配置（JSON 字符串）
--inference-foundry string 推理底座（Inference foundry）配置（JSON 字符串）
--tags string Tags（JSON 字符串）
--yes bool In an interactive terminal, skip the [y/N] model-activation (开通) prompt. NOTE: in non-interactive (agent/CI/pipe) this flag does NOT authorize 开通 — activation is hard-refused there; set ARKCLI_ALLOW_HEADLESS_ACTIVATION=1 only for genuine unattended automation.
--allow-data-collected bool 允许采集数据
--service-info string 服务信息（JSON 字符串）
--need-watermark bool 是否需要水印
--watermark-info string 水印信息（JSON 字符串）
--intelligent-router string 智能路由配置（JSON 字符串）
--is-intelligent bool 是否为智能版
--fallback string 降级配置（JSON 字符串）
--limit-coefficient string 限流系数配置（JSON 字符串）
--deployment-type string 部署类型
--is-agentic bool 是否为 agentic
--agentic-strategy string Agentic 策略配置（JSON 字符串）
--is-aicc bool 是否为 AICC
--specify-region string 指定地域
--set-default string 把创建成功的 Endpoint 提升为当前 profile 在该模态下的默认（text|image|video）。
--domain string 域

dataset#

Dataset（数据集）全生命周期管理：创建、查询、更新、删除、版本化（ds-* / dsv-*）、下载与格式校验。

  • 面向精调场景设计：训练集/验证集的复用、版本冻结、格式校验都在本域完成；
  • 精调任务通过 --dataset 引用本域产物，衔接 train 域的精调工作流。

dataset create#

创建数据集并提交首个 V1 版本

Bash
arkcli dataset create
Flag 类型 说明
--name string（必填） 数据集名称
--description string 描述
--dataset-format string（必填） 后端 SchemaType：LLMSft、LLMPretrain、LLMDPO、LLMRL、EmbeddingSft、ImageGenSft 或 VideoGenSft
--local string_slice 本地 .jsonl 文件路径，可重复
--tos-uri string_slice 可列举且包含 .jsonl 的 TOS URI（tos://bucket/path），可重复且必须属于同一 bucket；不支持 ds-ds/* 上传暂存路径

dataset delete#

删除数据集

Bash
arkcli dataset delete <dataset-id>
Flag 类型 说明
--yes bool 跳过交互式确认

dataset download#

下载数据集版本中的 TOS 对象

Bash
arkcli dataset download <dataset-id>
Flag 类型 说明
--version string（必填） 版本 SID（dsv-...）或友好版本号（V1、V2 等）
--output-dir string 下载目录；默认 ./-/

dataset get#

获取数据集详情

Bash
arkcli dataset get <dataset-id>

dataset list#

列出数据集

Bash
arkcli dataset list
Flag 类型 说明
--page-number int 页码（默认 1）
--page-size int 每页条数（1-100，默认 100）
--sort-by string 排序字段
--sort-order string 排序方向：Asc 或 Desc
--id string_slice 按数据集 ID 过滤，可重复
--name string 按数据集名称过滤
--schema-type string_slice 按 SchemaType 过滤，可重复
--resource-origin string_slice 按 ResourceOrigin 过滤，可重复

dataset update#

更新数据集名称或描述

Bash
arkcli dataset update <dataset-id>
Flag 类型 说明
--name string 数据集名称
--description string 描述

dataset validate#

按照模型微调配置校验本地文件或 TOS 数据

Bash
arkcli dataset validate
Flag 类型 说明
--local string_slice 本地 .jsonl 文件路径，可重复
--tos-uri string_slice 可列举且包含 .jsonl 的 TOS URI（tos://bucket/path），可重复且必须属于同一 bucket；不支持 ds-ds/* 上传暂存路径
--model string（必填） 基础模型名称
--model-version string（必填） 基础模型版本
--type string（必填） 微调类型，例如 sft、lora、dpo、grpo、pt

dataset version create#

为现有数据集创建下一个 Vn 版本

Bash
arkcli dataset version create <dataset-id>
Flag 类型 说明
--description string 描述
--local string_slice 本地 .jsonl 文件路径，可重复
--tos-uri string_slice 可列举且包含 .jsonl 的 TOS URI（tos://bucket/path），可重复且必须属于同一 bucket；不支持 ds-ds/* 上传暂存路径

dataset version download#

下载指定数据集版本中的 TOS 对象

Bash
arkcli dataset version download <dataset-id> <version-id-or-vn>
Flag 类型 说明
--output-dir string 下载目录；默认 ./-/

dataset version get#

获取数据集版本详情

Bash
arkcli dataset version get <version-sid> | <dataset-id> <version-id-or-vn>
Flag 类型 说明
--preview bool 读取并展示版本中每个对象的前 100 KiB（102400 字节）

dataset version list#

列出数据集版本

Bash
arkcli dataset version list <dataset-id>
Flag 类型 说明
--page-number int 页码（默认 1）
--page-size int 每页条数（1-100，默认 100）
--sort-by string 排序字段
--sort-order string 排序方向：Asc 或 Desc
--id string_slice 按版本 SID 过滤，可重复
--version string_slice 按友好版本号 Vn 过滤，可重复
--status string_slice 按版本状态过滤，可重复

infer#

推理接入点（Endpoint，ep-*）全生命周期管理：获取、列表、创建、启动、停止、删除、更新，以及模型部署形态能力查询（capability）。

  • infer endpoint create 是显式 raw CRUD 通道：面向脚本化 / CI / 无护栏场景；普通交互式创建请优先使用 +deploy 工作流（含模型复用检查与 profile 同步）；
  • 创建前可用 capability 确认模型支持的部署形态；启停与删除均有确认闸门。

infer endpoint capability get#

查看某个模型支持的推理部署形态（在线接入点 / 共享服务 / 批量 / PTU / 规格档位 / 降级）。为 maas-fe 的 EndpointSupportedMethods 接口提供支撑。请在 infer endpoint create 之前调用，以确认模型是否可部署、以及哪些 --type 类参数对它有效。精调自定义模型传 --custom-model-id；基础模型传 --model + --version。

Bash
arkcli infer endpoint capability get
Flag 类型 说明
--model string 基础模型名称（如 doubao-seed-1-6-flash）；与 --custom-model-id 互斥
--version string 模型版本（配合 --model 使用）
--custom-model-id string 自定义模型 ID（cm-xxx）；与 --model 互斥

infer endpoint create#

创建推理接入点（原始 CRUD，无流程护栏；需要带模型复用检查与 Profile 同步的引导式部署请用 +deploy）

Bash
arkcli infer endpoint create
Flag 类型 说明
--model string（必填） 模型 ID（基础模型或自定义模型）
--name string（必填） Endpoint 名称
--billing-method string 计费方式：token
--rpm int 限流 RPM
--tpm int 限流 TPM
--yes bool In an interactive terminal, skip the [y/N] model-activation (开通) prompt. NOTE: in non-interactive (agent/CI/pipe) this flag does NOT authorize 开通 — activation is hard-refused there; set ARKCLI_ALLOW_HEADLESS_ACTIVATION=1 only for genuine unattended automation.

infer endpoint delete#

删除推理接入点（不可逆）。需要确认：交互式 TTY 会提示 Y/N；非交互场景（Agent / CI / 管道）需要设置 ARKCLI_ALLOW_HEADLESS_DELETE=1，此时 --yes 不生效。

Bash
arkcli infer endpoint delete <endpoint-id>
Flag 类型 说明
--yes bool 跳过交互式 Y/N 提示（仅 TTY）。注意：非交互模式下本参数不构成删除授权——请改用 ARKCLI_ALLOW_HEADLESS_DELETE=1。

infer endpoint get#

获取推理接入点详情（同时支持普通接入点与预置推理接入点）

Bash
arkcli infer endpoint get <endpoint-id>

infer endpoint list#

按条件分页列出推理接入点

Bash
arkcli infer endpoint list
Flag 类型 说明
--format string 输出格式：table | json
--model string 按模型 ID 过滤（自定义模型）
--status string 按 Endpoint 状态过滤
--mine bool 只列出当前 SSO 子用户创建的 Endpoint
--page-number int 页码（>=1）
--page-size int 每页条数

infer endpoint start#

启动推理接入点。启动请求被接受后返回的是接入点当前状态（通常是 Scheduling）——到 Running 的转换是异步的；请轮询 infer endpoint get <id> 直到 Status='Running' 确认。

Bash
arkcli infer endpoint start <endpoint-id>

infer endpoint stop#

停止推理接入点。停止请求被接受后返回的是接入点当前状态——到 Stopped 的转换是异步的；请轮询 infer endpoint get <id> 直到 Status='Stopped' 确认。

Bash
arkcli infer endpoint stop <endpoint-id>

infer endpoint update#

更新推理接入点（名称 / 描述 / 限流）

Bash
arkcli infer endpoint update <endpoint-id>
Flag 类型 说明
--name string 新的 Endpoint 名称
--description string 新的接入点描述（传空字符串可清空）
--rpm int 限流：每分钟请求数（必须与 --tpm 配对）
--tpm int 限流：每分钟 token 数（必须与 --rpm 配对）
--cg-concurrent-requests int ContentGeneration：最大并发请求数（图片生成接入点）
--cg-create-task-rpm int ContentGeneration：CreateTask 的 RPM（图片生成接入点）

train#

模型精调（Fine-tune）训练任务全生命周期：创建、查询、日志/trajectory、指标分析、最佳 step 选择、导出为 custom model（mcj-*）。

  • 训练数据来自 dataset 域的 Dataset/版本；本域负责超参、资源组匹配、价格查询与训练方法选择；
  • 导出部署衔接 models custommodel 与 infer：导出产物是 cm-* 自定义模型，再按推理接入点工作流上线。

train finetune artifacts export#

把一个或多个 mcj 产物（例如 global_step_2）导出为可部署的 cm-* 实体。输出 {job_id, items[]}，每项含 custom_model_name / custom_model_id / export_status。命名规则：设置 --custom-model-name-prefix 时为 <prefix>_<artifact-name>，否则保留后端默认名。建议先用 arkcli train finetune artifacts list <mcj-id> 查出 artifact_name。

Bash
arkcli train finetune artifacts export <mcj-id>
Flag 类型 说明
--artifact-name string_slice 要导出的产物（output）名，例如 global_step_2。可重复。
--custom-model-name-prefix string 导出后 cm-* 名称的前缀。最终名称为 <prefix>_<artifact-name>。留空表示沿用后端默认名。

train finetune artifacts list#

列出精调任务的训练产物（Outputs[] 投影：artifact_name / export_status / custom_model_name / custom_model_id / create_time）。用 --format table 便于人工挑选。默认会并发调用 GetCustomModel 回填 custom_model_name；传 --lite 可跳过该查询。

Bash
arkcli train finetune artifacts list <mcj-id>
Flag 类型 说明
--format string 输出格式：json（默认）| table
--lite bool 跳过逐个 cm 的 GetCustomModel 名称查询。更快，但 custom_model_name 会为空。

train finetune capability get#

查看某个基础模型（或自定义模型的来源模型）支持哪些精调训练方法。基础模型传 --model + 可选 --version；自定义模型传 --model-id（cm-xxx）——后者会在底层解析到其来源 FoundationModel，与 maas-fe 的 CustomBoard 一致（自定义模型本身不携带能力列表，续训支持由底座的 FinetuneTypes 推导）。返回 supported_types（arkcli 参数写法：sft / lora / dpo / dpo-lora / grpo / grpo-lora / ppo / opd / opd-lora / pt，与 train finetune create --type 一致）与 supported_types_wire（后端 CustomizationType 字面量）。--version 语义：与 --model 同用时，--version 为空只返回主版本；--version 与 --model-id 互斥（cm 绑定的来源版本会自动解析——二者传其一，不要同时传）。配合 models finetune-config 可获取所选 --type 的超参数 schema。

Bash
arkcli train finetune capability get
Flag 类型 说明
--model string 基础模型名称，如 doubao-seed-1-6-flash。与 --model-id 互斥
--version string 模型版本，如 250828；留空 = 仅主版本。与 --model-id 互斥（cm 自带绑定的来源版本）
--model-id string 自定义模型 ID（cm-xxx）。与 --model/--version 互斥。会解析到其来源基础模型，并报告该基础模型的能力

train finetune create#

创建精调任务。除兼容旧参数（--dataset、--epochs、--lr、--lora-rank、--beta）外，还支持对齐 PRD 的新增项：本地文件、RL 流程、数据容错、超参数 JSON、模型保存上限、轨迹记录。

Bash
arkcli train finetune create
Flag 类型 说明
--name string（必填） 任务名称
--type string（必填） 定制类型：sft | lora | dpo | dpo-lora | grpo | grpo-lora | ppo | opd | opd-lora | pt
--description string 任务描述
--model string 基础模型名称（如 doubao-seed-1-6-flash），与 --model-id 互斥
--model-version string 基础模型版本（如 250615），配合 --model 使用
--model-id string 自定义模型 ID，与 --model/--model-version 互斥
--dataset string 训练数据集：tos://bucket/path 或数据集 ID（ds-xxx）。旧版合并参数——建议改用 --train-tos-uri / --train-dataset
--dataset-version string 数据集版本 ID（dsv-xxx），当 --dataset 传数据集 ID 时必填。旧写法——建议改用 --train-dataset-version
--train-tos-uri string 训练数据 TOS URI（tos://bucket/prefix）。输入为 TOS 路径时，与 PRD 对齐的 --dataset 别名
--train-dataset string 训练数据集及版本，格式 :；旧的 --train-dataset-version 分开写法仍支持
--train-dataset-version string 训练数据集版本 id（dsv-yyy）。与 PRD 对齐的 --dataset-version 别名
--train-file string_slice 本地训练文件路径（可重复；映射到 data.training_set.local_files[]）
--train-path string_slice 托管数据集路径 JSON（可重复）：{"dataset_id":"ds-...","dataset_version_id":"dsv-...","multiplier":1}，或把 multiplier 换成 sample_count
--preset-dataset string_slice 预设数据集 JSON（可重复）：{"dataset_version_id":"dsv-...","inject_multiplier":1}；inject_multiplier 与 inject_sample_count 二选一
--validation-dataset string 验证数据集及版本，格式 :；旧的 tos:// 与分开写版本的形式仍支持
--validation-dataset-version string 验证数据集版本 id（dsv-xxx）
--validation-tos-uri string 验证数据 TOS URI（tos://bucket/prefix）。与 PRD 对齐的别名
--validation-dataset-id string 验证数据集 id（ds-xxx）。与 PRD 对齐的别名
--validation-file string_slice 本地验证文件路径（可重复；映射到 data.validation_set.local_files[]）
--validation-percentage int 用作验证集的训练集比例（例如 10）；与 --validation-dataset/--validation-file 互斥
--max-invalid-records-ratio string 允许的坏样本比例，取值 [0,1)（例如 0.01）
--max-invalid-records-number int 允许的坏样本绝对条数（正整数）
--shuffle-random-seed string -1 = 每次运行随机，0 = 不洗牌，正数 = 固定种子以便复现（字符串类型，使 0 与未设置区分开）
--hyperparameters string JSON 字典或 @file（例如 '{"epoch":"3","batch_size":"8"}' 或 @hyperparameters.json）。会与标量参数 --epochs/--lr/--lora-rank/--beta 合并（冲突时以标量参数为准）
--epochs int 训练轮数（--hyperparameters epoch 的旧写法）
--lr string 学习率（--hyperparameters learning_rate 的旧写法）
--lora-rank int LoRA 秩（--hyperparameters lora_rank 的旧写法）
--beta string DPO 的 beta 参数（--hyperparameters beta 的旧写法）
--save-model-limit int 保留的训练产物数量上限（1-10；后端默认 1）
--enable-trajectory bool 开启 RL rollout 轨迹记录（调试 GRPO/PPO 时推荐）
--pipeline string @file 形式的 JSON RL pipeline 配置路径（custom_rl_pipeline；自定义 rollout/grader 的 GRPO/PPO 必填）
--resource-group string 资源组 ID；请按查询结果原样传入，提交前会检查当前账号/项目权限、任务资源模板和资源组可用性
--yes bool Skip the interactive confirmation prompts: the upload-to-TOS gate (--train-file) and the final submit prompt. NOTE: model activation (开通) is hard-refused in non-interactive (agent/CI/pipe) regardless of --yes — set ARKCLI_ALLOW_HEADLESS_ACTIVATION=1 for unattended activation, otherwise the base model must already be activated.
--estimate bool 只做在线 Token 与价格试算，不创建精调任务

train finetune delete#

删除精调任务记录（不可逆）。用 --yes 跳过确认提示，脚本场景推荐。仅处于终态（Completed / Failed / Terminated）的任务可删除；非终态任务会在 shortcut 层被拒绝，并提示先执行 train finetune stop（省去一次注定失败调用上的确认往返——否则后端会以 OperationDenied.UnsupportedPhase 拒绝）。对 Agent 的要求：先用 train finetune get 查看目标，复述任务 ID 与影响，取得明确确认后再删除。

Bash
arkcli train finetune delete <job-id>
Flag 类型 说明
--yes bool 跳过交互确认提示

train finetune get#

获取精调任务的完整详情（状态 / 配置 / 产物）。数据与当前的 train finetune status 相同，这是 PRD 规定的读取入口。要看训练步进度用 train finetune metrics；要实时轮询用 train finetune watch。不含费用——接口 schema 没有按任务的计费字段；提交前在线估算请用 train finetune create --estimate。

Bash
arkcli train finetune get <job-id>

train finetune list#

列出模型精调任务

Bash
arkcli train finetune list
Flag 类型 说明
--page-number int 页码（必须大于等于 1，默认 1）
--page-size int 每页条数（1-100，默认 100）
--sort-by string 排序字段
--sort-order string 排序方向：Asc | Desc
--phase string_slice 按阶段过滤（可重复）：Preprocessing | Queued | Deploying | Running | Pausing | Paused | Terminating | Terminated | Completing | Completed | Failed
--name string 按任务名称过滤（模糊匹配）
--customization-type string_slice 按定制类型过滤（可重复）：FinetuneSft | FinetuneLoRA | DPO | DPOLoRA | GRPO | GRPOLoRA | PPO | OPD | OPDLoRA | Pretrain
--create-time-after string 过滤该时间之后创建的任务（RFC3339，例如 2026-01-01T00:00:00Z）
--create-time-before string 过滤该时间之前创建的任务（RFC3339）

train finetune logs#

跟踪精调任务的训练日志。默认数据源是公网 ARK Action GetTaskLogs（与 maas 控制台「训练日志」页一致）——即 system / 训练框架的 stdout，任意鉴权 profile 均可访问。支持 --follow / --tail / --search / --since；任务进入终态且没有新行后 --follow 会自动退出；--tail >1000 时自动分批。加 --custom 后数据源切换为该任务专属的 CustomTLSConfig topic——RL 插件（rollout / grader）函数的 stdout，与 maas 控制台「自定义日志（TLS）」子页一致。--custom 需要火山 SSO STS（直连 TLS，与轨迹相同），且只对开启了 --enable-trajectory 并启用了 project 级 TLS 的 RL 任务有效（见 arkcli train finetune tls config get）；--custom 不支持 --follow。--all 会导出超过 --tail 上限的全部日志（一直翻页到后端 ListOver），并且必须配合 --output FILE，避免 10MB+ 日志撑爆 Agent 上下文。

Bash
arkcli train finetune logs <job-id>
Flag 类型 说明
--tail int Tail 大小：每次请求拉取的行数。默认 200；maas-fe 控制台默认 2000。设置 --all 时忽略。
--follow bool 任务运行期间持续轮询新日志行；进入终态且无新行后自动停止。用 --interval 调整轮询节奏。不支持与 --custom 或 --all 同用。
--interval string --follow 的轮询间隔，支持时长写法（5s、30s）或纯整数秒。默认 5s。
--search string 服务端筛选；GetTaskLogs 来源使用 FilterExpression；TLS 自定义日志使用 content 过滤。
--since string 起始时间，相对于当前时间的时长（如 30m、2h）；TLS 自定义日志默认 30 天，GetTaskLogs 来源默认不限制起始时间。
--json bool 输出结构化 JSON，替代纯文本行。
--custom bool 读取 RL 插件函数的 stdout（CustomTLSConfig TLS topic），而不是 system / 训练框架日志。需要火山 SSO + RL 任务 + --enable-trajectory。
--function-name string 仅 TLS --custom：按插件函数名筛选（如 SingleRollout-xxx），对应 function_name 查询。
--all bool 分页读取全部日志，忽略 --tail；必须提供 --output FILE。GetTaskLogs 使用 Ctx 游标，TLS 使用 Context 游标。
--output string 写入日志文件：GetTaskLogs 为纯文本，TLS 自定义日志为 JSON；stdout 仅返回元数据。--all 时必填。

train finetune metrics#

获取精调任务的训练指标。底层分两步：先用 GetModelCustomizationJobMetrics 返回可用指标名（如 train/loss、eval/loss、train/lr、train/grad_norm；DPO/GRPO 任务前缀不同），再用 GetModelCustomizationJobMetricData 拉取逐步时间序列。用 --metric（可重复）过滤；默认返回全部可用指标。用 --output 把 JSON 落盘（便于 Agent 渲染图表）。

Bash
arkcli train finetune metrics <job-id>
Flag 类型 说明
--metric string_slice 只取一个或多个指标名（可重复）。留空表示全部可用指标
--min-sample-step int 最小采样 step（服务端降采样）
--max-metric-point int 每个指标最多返回的采样点数（服务端会均匀降采样）
--from-step int 范围过滤：只返回 step >= 该值的样本
--to-step int 范围过滤：只返回 step <= 该值的样本
--output string 将响应 JSON 写入该文件路径；便于 Agent 渲染图表

train finetune pause#

暂停运行中的精调任务（可通过 train finetune resume 恢复）。与不可逆终止的 stop 不同。

Bash
arkcli train finetune pause <job-id>

train finetune pricing#

查询基础模型的精调价格。--billing-method=token 时，按 --type 过滤基础模型计费项：lora / lora-sft / dpo-lora / grpo-lora / opd-lora → LoRA 精调；sft / dpo / grpo / ppo / opd / pt → 全参精调。--type 为空则返回全部精调相关计费项。--billing-method=instance 时，解析出精确的模型版本/类型超参数 schema，列出可用的训练资源模板，并关联其 FlavorSum 小时价。指定 --type 时，arkcli 会与 train finetune capability get 交叉校验，模型不支持该训练方法时直接拒绝（对不支持的方法返回通用计费项价格会误导调用方）。

Bash
arkcli train finetune pricing
Flag 类型 说明
--model string（必填） 基础模型名称，如 doubao-seed-1-6-flash
--type string 定制类型：sft | lora | lora-sft | dpo | dpo-lora | grpo | grpo-lora | ppo | opd | opd-lora | pt；留空 = 全部
--billing-method string 计费方式：token | instance
--model-version string 基础模型版本；--billing-method=instance 时必填
--hyperparameters string 仅实例计费时：JSON 字典或 @file；会与模型默认值以及 --epochs/--lr/--lora-rank/--beta 等标量覆盖项合并
--epochs int 仅实例计费时：覆盖 epoch
--lr string 仅实例计费时：覆盖 learning_rate
--lora-rank int 仅实例计费时：覆盖 lora_rank
--beta string 仅实例计费时：覆盖 beta
--region string 仅 Token 计价：价格地域，默认取当前 profile 的地域

train finetune resource-group list#

检查资源组权限，并按当前精调模型、训练类型和超参数列出任务资源需求与可用资源组

Bash
arkcli train finetune resource-group list
Flag 类型 说明
--model string 基础模型名称；与 --model-id 互斥
--model-version string 基础模型版本；使用 --model 时必填
--model-id string 已有自定义模型 ID；会解析其基础模型，与 --model/--model-version 互斥
--type string（必填） 训练类型：sft | lora | dpo | dpo-lora | grpo | grpo-lora | ppo | opd | opd-lora | pt
--hyperparameters string 超参数 JSON 或 @file；与创建任务保持一致
--epochs int epoch 快捷覆盖值
--lr string learning_rate 快捷覆盖值
--lora-rank int lora_rank 快捷覆盖值
--beta string beta 快捷覆盖值
--only-matched bool 只返回当前任务可以使用的资源组

train finetune resume#

恢复已暂停（Paused）的精调任务；后端允许时也可重试 Failed / Terminated 任务

Bash
arkcli train finetune resume <job-id>

train finetune sdk login#

用 arkcli 的 STS 写入 ark_sdk 的 ~/.ark/authorization.json——替代 ark login。仅当用户自己跑 python3 submit_job.py 时才需要：ark_sdk 0.6.0 Python 库的提交热路径只读该文件（不读环境变量），属上游 SDK 限制。用 YAML 规格提交请改用 train finetune sdk submit <yaml>——它不会写 authorization.json（使用 0600 的临时凭证文件，作用域限定在 ark 进程内）。STS 过期会自动刷新。若已存在属于其他账号的文件，除非传 --force，否则拒绝覆盖。

Bash
arkcli train finetune sdk login
Flag 类型 说明
--refresh bool 写入前强制刷新产品原生 SSO STS。
--force bool 即使已存在的 authorization.json 的 account_id 与 arkcli 当前 profile 不同，也强制覆盖。
--path string 覆盖输出路径。默认：~/.ark/authorization.json（与 ARK_SDK_AUTHORIZATION_FILE 环境变量一致）。

train finetune status#

获取精调任务详情（get 的别名；若后端拆分 API，预留给未来的精简阶段 / 进度投影）

Bash
arkcli train finetune status <job-id>

train finetune stop#

停止运行中的精调任务（不可逆——会终止任务；若想之后恢复请改用 train finetune pause）。默认 [y/N] 确认；--yes 跳过提示。

Bash
arkcli train finetune stop <job-id>
Flag 类型 说明
--yes bool 跳过 [y/N] 确认提示。非交互执行（CI / 管道 / agent）时必填。

train finetune tls config delete#

永久删除该 project 的精调 TLS 资源——会销毁已存储的轨迹 / 自定义日志 / trace / 可解释性数据。不可逆。传 --yes 跳过 [y/N] 确认。删除后可随时通过 arkcli train finetune tls config enable 重新开启（会创建全新的空 topic）。

Bash
arkcli train finetune tls config delete
Flag 类型 说明
--project-name string 覆盖项目名称（默认：当前 profile 的项目）
--yes bool 跳过 [y/N] 确认提示

train finetune tls config disable#

关闭 project 级精调 TLS（停止新数据写入；已有数据按 TLS 保留策略保留）。传 --yes 跳过 [y/N] 确认。若要永久删除 TLS 资源（数据一并销毁），请改用 arkcli train finetune tls config delete。

Bash
arkcli train finetune tls config disable
Flag 类型 说明
--project-name string 覆盖项目名称（默认：当前 profile 的项目）
--yes bool 跳过 [y/N] 确认提示

train finetune tls config enable#

开启 project 级精调 TLS 资源（会创建四个后付费火山 TLS topic——产生费用）。本项目内任何任务要记录轨迹 / 自定义插件 stdout / trace / token 级数据，都必须先开启。默认 [y/N] 确认，因为会开通计费资源；传 --yes 跳过（非交互调用方 / Agent 必须传）。该在线开通流程不支持 --dry-run，请先确认当前 project 再显式确认。注意：子账号 IAM 用户可能没有权限，需请主账号管理员在 maas 控制台开启。

Bash
arkcli train finetune tls config enable
Flag 类型 说明
--project-name string 覆盖项目名称（默认：当前 profile 的项目）
--yes bool 跳过 [y/N] 确认提示（非交互执行时必填）

train finetune tls config get#

查看 project 级精调 TLS 状态：是否已开启，以及支撑 --enable-trajectory / RL 插件日志 / trace / 可解释性数据的四个 topic id（trajectory / custom / trace / explainability）。project 默认取当前生效 profile 的 project，可用 --project-name 覆盖。

Bash
arkcli train finetune tls config get
Flag 类型 说明
--project-name string 覆盖项目名称（默认：当前 profile 的项目）

train finetune trajectory get#

获取单条 rollout 轨迹记录（始终返回完整内容；单条约 3KB）。用 --sample-id（精确匹配）或 --step + --index（该 step 下第 i 条 rollout）指定。SSO 要求与 trajectory list 相同。

Bash
arkcli train finetune trajectory get <job-id>
Flag 类型 说明
--sample-id string Sample id（smpl-...）。与 --step/--index 互斥。
--step int Step 序号（配合 --index 选取指定 rollout）
--index int 该 step 内从 0 开始的 rollout 序号（默认 0）
--since string 相对当前时间的时间窗口。默认 30d。
--output string 将 JSON 写入该文件路径

train finetune trajectory list#

列出某精调任务的 RL rollout 轨迹。直接从该任务对应的火山 TLS topic（TrajectoryTLSConfig.TopicID）读取——绕过 ARK 控制面。默认输出为摘要（step / sample_id / phase / reward / advantage / tokens / duration），对 Agent 友好，约 150 字节/条。传 --full 得到完整形态（展开 sample / trajectory / metrics / reward_details / plugin_details，约 3KB/条）。传 --output FILE 可把完整 JSON 落盘，stdout 只留一小段元信息。需要 SSO 认证的 profile（与 logs 的限制相同）。

Bash
arkcli train finetune trajectory list <job-id>
Flag 类型 说明
--step int 按 step 序号过滤（例如 --step 20）
--phase string 按阶段过滤：train | eval
--sample-id string 按 sample id 过滤（smpl-...）
--query string 原始 TLS 查询表达式；覆盖 --step/--phase/--sample-id
--limit int 最多返回的条目数（默认 200；因 TLS API 单次上限 100，超过 100 会自动分页）。--all 时忽略。
--since string 相对当前时间的时间窗口（30m / 2h / 24h）。默认 30d（覆盖 TLS 完整保留期）。
--full bool 返回完整内容：sample / trajectory / metrics / reward_details / plugin_details（约 3KB/条，较重）
--all bool 一直分页直到后端把该 topic 读完。必须配合 --output FILE——拒绝把无界数据直接打到 stdout。
--output string 将完整 JSON 写入该文件路径；stdout 只显示元信息（推荐 Agent 场景使用）。设置 --all 时必填。

train finetune update#

更新精调任务的可变字段（name / description）。--name 与 --description 至少要传一个；空字段不会被提交。

Bash
arkcli train finetune update <job-id>
Flag 类型 说明
--name string 新的任务名称
--description string 新的任务描述

train finetune watch#

轮询精调任务直到进入终态（Completed / Failed / Terminated）。默认模式：按阶段逐行把进度输出到 stderr；--rich 模式额外给出步进度条 / ETA / 各指标迷你走势（最近 30 步）。免去 Agent/CI 自己写轮询循环。

Bash
arkcli train finetune watch <job-id>
Flag 类型 说明
--interval string 轮询间隔，支持时长写法（如 15s、1m、1h30m）或纯整数秒。默认 30s；--rich 模式默认 5s，与 maas-fe 的进度图一致
--timeout string 总等待上限，可用时长（如 30m、2h）或纯整数秒；0 = 不超时（默认 0）
--quiet bool 关闭每次 tick 打印到 stderr 的进度
--rich bool 渲染 PRD 风格 TUI：step / 进度条 / ETA / 迷你趋势图指标。stderr 不是 TTY 时自动关闭。
--metric string_slice （--rich）要渲染成迷你走势的指标（以 / 分隔的键，例如 train/loss、train/lr、train/grad_norm）。默认：train/loss、train/lr、train/grad_norm、train/global_step。可重复。