[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M74FD3VSXF7Z6VAMHYNXZPB5":3,"skill-same:01M74FD3VSXF7Z6VAMHYNXZPB5":91},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":24,"commitSha":25,"skillDirectory":26,"forksCount":27,"repositoryHtmlUrl":28,"repositoryHomepageUrl":29,"ownerHtmlUrl":30,"ownerBlogUrl":31,"ownerDescription":6,"updatedAt":32,"install":33,"resources":46},"01M74FD3VSXF7Z6VAMHYNXZPB5","bailian-train-deploy",null,"用百炼 CLI (`bl`) 走完\"数据→微调训练→导出→部署→调用\"的完整闭环，或跳过训练直接部署基座模型。支持文本模型（SFT\u002FDPO\u002FCPT）、音频 TTS 模型（CosyVoice）、图像生成模型（Wan2.7）和视频生成模型（Wan i2v\u002Fkf2v）微调。涵盖数据集校验\u002F上传、创建微调任务、等待训练、导出最佳 checkpoint、创建推理部署、等待就绪、给出调用示例。当用户提到在百炼 \u002F DashScope \u002F 阿里云模型工作室上\"训练模型\"\"微调\"\"fine-tune\"\"finetune\"\"部署模型\"\"模型上线\"\"把微调模型跑起来\u002F调用\"\"训练一个推理模型\"\"继续预训练\"\"LoRA\u002FSFT\u002FDPO 训练\"\"语音合成模型\"\"TTS 微调\"\"CosyVoice\"\"声音克隆\"\"图像生成微调\"\"文生图\"\"图生图\"\"Wan2.7\"\"图像模型训练\"\"视频生成微调\"\"图生视频\"\"首帧生视频\"\"首尾帧\"\"kf2v\"\"i2v\"\"Wan视频\"\"视频特效训练\"等，都应激活本技能——即使用户没明说\"用 bl\"，只要意图是百炼平台的训练或部署，就用本技能，不要自己拼凑命令。","modelstudioai\u002Fskills","modelstudioai","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F283556804?v=4","01M74FCG3YGPZ2M85A45A5X687","Model Studio ","01M74FCG52YG07R3Y4MSBNS9CG",59,"Apache-2.0","https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fbailian-train-deploy\u002FSKILL.md",[],[],"2026-11-11 15:11:14",false,"---\nname: bailian-train-deploy\ndescription: 用百炼 CLI (`bl`) 走完\"数据→微调训练→导出→部署→调用\"的完整闭环，或跳过训练直接部署基座模型。支持文本模型（SFT\u002FDPO\u002FCPT）、音频 TTS 模型（CosyVoice）、图像生成模型（Wan2.7）和视频生成模型（Wan i2v\u002Fkf2v）微调。涵盖数据集校验\u002F上传、创建微调任务、等待训练、导出最佳 checkpoint、创建推理部署、等待就绪、给出调用示例。当用户提到在百炼 \u002F DashScope \u002F 阿里云模型工作室上\"训练模型\"\"微调\"\"fine-tune\"\"finetune\"\"部署模型\"\"模型上线\"\"把微调模型跑起来\u002F调用\"\"训练一个推理模型\"\"继续预训练\"\"LoRA\u002FSFT\u002FDPO 训练\"\"语音合成模型\"\"TTS 微调\"\"CosyVoice\"\"声音克隆\"\"图像生成微调\"\"文生图\"\"图生图\"\"Wan2.7\"\"图像模型训练\"\"视频生成微调\"\"图生视频\"\"首帧生视频\"\"首尾帧\"\"kf2v\"\"i2v\"\"Wan视频\"\"视频特效训练\"等，都应激活本技能——即使用户没明说\"用 bl\"，只要意图是百炼平台的训练或部署，就用本技能，不要自己拼凑命令。\n---\n\n# 百炼模型训练→部署闭环 (`bl`)\n\n用百炼 CLI `bl` 把模型部署成可调用的专属推理服务——可以先微调再部署，也可以跳过训练直接部署基座。支持文本、音频 TTS、图像生成和视频生成四种模态，两处\"等待\"用 Monitor 异步轮询，不阻塞主流程。\n\n```\n链路 A（先训练后部署）：\n数据集 → finetune \u003C模态> create → 等 SUCCEEDED → 导出模型(通常自动) → deploy \u003C模态> create → 等 RUNNING → 调用\n\n链路 B（直接部署基座，跳过训练）：\n选基座 → deploy \u003C模态> create → 等 RUNNING → 调用\n```\n\n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\u002F计费方式、纳入自己的运维。**仅当用户明确表示不训练 \u002F 跳过训练 \u002F 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。\n\n**模态分发**：本技能的通用流程适用于所有模态，但数据格式、超参、推理命令因模态而异。确定用户意图后，按模态查阅对应参考文件：\n- **文本模型**（对话\u002F推理）→ [`references\u002Ftext.md`](references\u002Ftext.md)\n- **音频 TTS 模型**（语音合成\u002FCosyVoice）→ [`references\u002Faudio.md`](references\u002Faudio.md)\n- **图像生成模型**（文生图\u002F图生图\u002FWan2.7）→ [`references\u002Fimage.md`](references\u002Fimage.md)\n- **视频生成模型**（图生视频\u002F首尾帧\u002FWan i2v\u002Fkf2v）→ [`references\u002Fvideo.md`](references\u002Fvideo.md)\n- 未来新增模态 = 新增对应 reference 文件，本流程骨架不变\n\n> 本技能假设 `bl`（bailian-cli）已安装。命令\u002Fflag 细节以 `bl \u003Ccmd> --help` 为准；本技能聚焦**流程编排与避坑**。\n\n## 写操作护栏（创建前必读）\n\n`bl finetune \u003C模态> create` 与 `bl deploy \u003C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：\n\n1. **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：\n   - 训练前：`bl finetune capability --base-model \u003Cbase>` —— 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）。\n   - 部署前：`bl deploy models --source custom`（链路 A 微调输出）或 `--source base`（链路 B 基座）—— 确认目标模型可部署、看清可用 plan，再决定 `--plan`。\n   - 复用检测：`bl deploy list --status RUNNING` —— 若已有引用同一 `finetuned_output` 且 RUNNING 的部署，直接复用其 `deployed_model`，**不要再建第二个计费实例**。\n2. **计费确认硬闸门（mu\u002Fptu）**：\n   - `lora`（默认，按 token 计费，闲置一般不计费）—— 安全默认，可直接创建。\n   - `mu` \u002F `ptu` 是**预留\u002F独占资源，闲置也计费**——创建前**必须**向用户显式说明计费方式并取得确认。在 agent \u002F CI 等非交互环境**不能自动开通预留资源**。命中 mu\u002Fptu 时，把“这会产生闲置计费”连同命令交还给真人在终端确认（`bl` 当前不提供 `--yes` 跳过确认 flag，确认行为完全由真人把控）。\n3. **账号就绪检查**：`bl auth status` —— `authenticated: false` 即停，给 `bl auth login --api-key sk-...`。百炼走 API key \u002F access token 认证，**没有独立的实名闸门**，`auth status` 即账号就绪检查。\n\n## 反触发表（不归本 skill 的意图，附完整命令）\n\n| 用户意图 | 路由到 | 完整示范命令 |\n|---|---|---|\n| 只想试模型效果 \u002F 一次性对话 | `bailian-cli` | `bl text chat --model qwen3-8b --message \"...\"` |\n| 已确定模型，只要调用方式 | `bailian-cli` | `bl text chat --model \u003Cmodel> --message \"...\"` |\n| 不知道选哪个基座 \u002F 模型选型 | `bailian-model-recommend` | （让该 skill 按场景推荐）|\n| 纯查模型参数 \u002F 价格 \u002F 上下文窗口 | `bailian-docs-llm-wiki` | （查模型数据目录）|\n| 已有部署，只想生成调用示例 | `bailian-cli` | `bl text chat --model \u003Cdeployed_model> --message \"...\"` 或 `bl speech synthesize --model \u003Cdeployed_model> --voice default --text \"...\"` 或异步 API + 触发词（图像生成，见 [image.md](references\u002Fimage.md#推理与调用)）|\n| 对已有训练任务 \u002F 部署做查删（生命周期） | `bl` 直接 | `bl finetune list` \u002F `bl deploy list` \u002F `bl deploy delete --deployed-model \u003Cid>` |\n\n> 本 skill 只负责\"新建训练任务 + 新建部署 + 调用交付\"这一条闭环。训练任务与部署的**全生命周期管理**（list \u002F stop \u002F delete 历史任务、删除部署等）不在本 skill 流程内，用 `bl finetune list` \u002F `bl deploy list` \u002F `bl deploy delete` 直接操作。\n\n## 反幻觉清单\n\n- **`--base-model` \u002F `--model-name` \u002F `--model` 分属不同命令，切勿复用**：\n  - `bl finetune \u003C模态> create --base-model` → 基座模型名（文本 `qwen3-8b`，音频 `cosyvoice-v3-flash`，图像 `wan2.7-image-pro`）。\n  - `bl deploy \u003C模态> create --model-name` → 导出模型名（链路 A：`qwen3-8b-ft-...` \u002F `cosyvoice-v3-flash-ft-...` \u002F `wan2.7-image-pro-ft-...`；链路 B：基座名）。\n  - 推理命令 `--model` → 必须用 `deploy \u003C模态> create` 响应里的 `deployed_model`，**不是**你传给 deploy \u003C模态> create 的名字。\n- **`--training-type` 取值穷举**：`sft` \u002F `sft-lora`（默认）\u002F `dpo` \u002F `dpo-lora` \u002F `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` \u002F `finetune image create` **不暴露此 flag**，仅 `finetune text create` 接受。\n- **`--plan` 取值穷举**：`lora`（默认，token 计费）\u002F `ptu`（需 `--input-tpm`\u002F`--output-tpm`）\u002F `mu`（需 `--deploy-spec`\u002F`--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`**。\n- **`--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`。\n- **`--source` 取值穷举**（`bl deploy models`）：`custom`（微调输出）\u002F `base`（基座）\u002F `public`。\n- **`--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\u002F图像不需要传此参数）。\n- **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\u002Fimage.md`](references\u002Fimage.md#推理与调用)）。\n- **没有这些 flag\u002F子命令**：`bl` 无 `--dry-run`、无裸 `finetune create`\u002F`deploy create`（**必须带模态段**：`finetune text|audio|image create`、`deploy text|audio|image create`）、无 `finetune start`、无 `deploy stop`（停用\u002F恢复用 `bl deploy pause` \u002F `bl deploy resume`；pause 对 mu\u002Fptu 停止计费）。\n- **必填**：`finetune \u003C模态> create` 的 `--base-model` \u002F `--datasets`；`deploy \u003C模态> create` 的 `--model-name` \u002F `--display-name`。\n\n## 前置检查（动作流起点）\n\n- 认证：`bl auth status`，确认已配置 API key（`DASHSCOPE_API_KEY` 或 `bl auth login --api-key sk-...`）。\n- 基座选型：查询训练能力用 `bl finetune capability`（查 listFoundationModels，走 API key、无需 console 登录）：\n  - `bl finetune capability --base-model \u003Cbase>` —— 该模型支持哪些训练类型。\n  - `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）。\n  - 选定基座后可直接进入第 2 步；`bl finetune \u003C模态> create` 提交前也会再用 listFoundationModels 校验，不支持会快速失败。\n  - 文本推理推荐 Qwen3 系列（`qwen3-8b` \u002F `qwen3-14b` \u002F `qwen3.6-flash`）；音频 TTS 用 `cosyvoice-v3-flash`；图像生成用 `wan2.7-image-pro` \u002F `wan2.7-image`。\n\n## 第 1 步：准备数据集\n\n支持三种数据来源，由你（Agent）根据用户意图灵活选用，不必写死交互流程——你本身具备主动提问能力，知道有哪些选项后自然向用户确认即可：\n\n1. **本地数据集** —— 用户提供本地文件路径，直接使用。\n2. **已上传数据集** —— 从百炼上已有的数据集中选取（`bl dataset list`）。\n3. **生成示例数据** —— 征得用户同意后，由你生成一份小规模示例数据，仅用于跑通流程（效果有限，需如实告知用户）。\n\n**数据格式因模态不同**，详见对应参考文件：\n- **文本模型**：`.jsonl` 文件（ChatML\u002FDPO\u002FCPT schema），详见 [`references\u002Ftext.md`](references\u002Ftext.md#数据格式)。\n- **音频 TTS**：`.zip` 包（内含 `data.jsonl` + `train\u002F*.wav`），详见 [`references\u002Faudio.md`](references\u002Faudio.md#数据格式)。\n- **图像生成**：`.zip` 包（内含 `data.jsonl` + 图像文件平铺），详见 [`references\u002Fimage.md`](references\u002Fimage.md#数据格式)。\n\n提交训练前用 `bl dataset validate --file \u003Cpath>` 校验通过再继续（CLI 自动探测 schema，也可 `--schema tts` \u002F `--schema image` \u002F `--schema chatml` 显式指定）。\n\n## 第 2 步：创建微调任务\n\n```bash\nbl finetune \u003C模态> create \\\n  --base-model \u003Cbase-model> \\\n  --datasets \u003Cpath-or-file-id> \\\n  --output json\n```\n\n**training-type 取值与映射**详见 [`references\u002Ffinetune.md`](references\u002Ffinetune.md)。**模态特异性超参**见对应参考文件：\n- 文本模型（`finetune text create`）：接受 `--training-type` \u002F `--n-epochs` \u002F `--learning-rate` 等，详见 [`references\u002Ftext.md`](references\u002Ftext.md#创建训练任务)。\n- 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\u002Faudio.md`](references\u002Faudio.md#创建训练任务)。\n- 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\u002Fimage.md`](references\u002Fimage.md#创建训练任务)。\n\n从响应记下：`output.job_id`、`output.finetuned_output`（输出模型名，形如 `\u003Cbase>-ft-\u003Cts>-\u003Cid>`）。\n\n## 第 3 步：等待训练完成（异步）\n\n用 Monitor 工具运行本技能自带的等待脚本——它会在状态变化时通知，到终态退出：\n\n```\nMonitor command: bash \u003C本技能目录>\u002Fscripts\u002Fwait.sh finetune \u003CJOB_ID>\n```\n\n`\u003C本技能目录>` 即本技能的 base 目录（技能加载时会给出，含 `scripts\u002Fwait.sh`），用实际路径替换。脚本每 30s 轮询，终态为 `SUCCEEDED`\u002F`FAILED`\u002F`CANCELED`\u002F`PARTIALLY_SUCCEEDED`。\n\n⚠️ **避坑：不要在 zsh 里手写 `status=...` 轮询循环。** `status` 是 zsh 的只读内置变量，赋值会报 `read-only variable` 并让脚本 exit 1。用本技能的 bash 脚本（`#!\u002Fusr\u002Fbin\u002Fenv bash`）规避，或自写时改用 `st` 等变量名。\n\n## 第 4 步：导出最佳模型（通常可跳过）\n\n任务 SUCCEEDED 后，平台**会自动导出 best checkpoint** 为可部署模型——直接进第 5 步即可，无需手动导出。\n\n只有要部署**非 best** 的某个 checkpoint 时才显式导出：\n```bash\nbl finetune checkpoints --job-id \u003CJOB_ID>          # 列出可用 checkpoint\nbl finetune export --job-id \u003CJOB_ID> --checkpoint \u003Cname> --model-name \u003C自定义名>\n```\n\n## 第 5 步：创建部署\n\n> 创建前先过[写操作护栏](#写操作护栏创建前必读)：`bl deploy list --status RUNNING` 查是否已有同模型部署可复用；`bl deploy models --source custom|base` 确认可用 plan；`mu`\u002F`ptu` 必须先取得用户计费确认。\n\n⚠️ **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。）\n\n```bash\nbl deploy \u003C模态> create \\\n  --model-name \u003Cfinetuned-output> \\   # 微调输出名(链路A) 或基座名(链路B)\n  --display-name \u003Cdisplay-name> \\\n  --plan \u003Clora|ptu|mu> \\              # 见下方说明\n  --output json\n```\n\n- **模态段**（`text` \u002F `audio` \u002F `image`）须与部署模型模态匹配；三个模态子命令 flag 完全相同。\n- `--model-name`：链路 A 传第 2 步的 `finetuned_output`；链路 B 直接传基座模型名。\n- `--plan`：\n  - 文本微调模型默认 `lora`（token 计费），也可用 `mu`。\n  - **音频 TTS 微调模型只支持 `mu`**（不支持 `lora` \u002F `ptu`），需 `--deploy-spec` + `--capacity`。\n  - **图像生成微调模型只支持 `lora`**（不支持 `mu` \u002F `ptu`）。\n  - 链路 B 基座通常只支持 `ptu`\u002F`mu`，**不支持 `lora`**。\n  - 各 plan 必填参数与计费细则见 [`references\u002Fdeploy.md`](references\u002Fdeploy.md)。\n- `--deploy-spec`：mu plan 的部署规格（如 `dps-20260521172224-1vabse`），省略时自动从 catalog 匹配。\n- 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。\n\n⚠️ **避坑（最高频错误）：`--model-name` 与推理命令的 `--model` 含义不同**——`deploy \u003C模态> create --model-name` 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\u002Fdeploy.md`](references\u002Fdeploy.md)。\n\n从响应记下：`output.deployed_model`。\n\n## 第 6 步：等待部署就绪（异步）\n\n```\nMonitor command: bash \u003C本技能目录>\u002Fscripts\u002Fwait.sh deploy \u003CDEPLOYED_MODEL>\n```\n\n`\u003C本技能目录>` 同第 3 步。每 15s 轮询，`RUNNING` 即就绪（`FAILED`\u002F`STOPPED` 终止）。\n\n⚠️ **避坑：状态传播延迟。** 部署刚到 `RUNNING` 时立即调用，可能短暂返回 404 `Model not exist`——这是服务端状态传播延迟，不是用错模型名。`bl deploy get` 也可能还显示 `PENDING`。约 1 分钟内会稳定，遇 404 等十几秒重试即可；若持续 404，先核对用的是 `deployed_model` 而非微调输出名。\n\n## 第 7 步：调用与交付\n\n**推理命令因模态不同**：\n\n文本模型：\n```bash\nbl text chat --model \u003CDEPLOYED_MODEL> --message \"你的问题\"\n```\n\n音频 TTS 模型：\n```bash\nbl speech synthesize --model \u003CDEPLOYED_MODEL> --voice default --text \"你要合成的文本\" --out result.mp3\n```\n\n图像生成模型（异步 API，需触发词）：\n```bash\n# 详见 references\u002Fimage.md —— 需 X-DashScope-Async 头 + prompt 含触发词\n```\n\n> `--model` 必须用 `deploy \u003C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。\n\n向用户交付时给出：\n- **部署实例 id**（`deployed_model`）——调用用它，不是微调输出名\n- 一条可直接运行的推理示例命令\n- 常用运维命令：`bl deploy get --deployed-model \u003Cid>` 查状态；`bl deploy delete --deployed-model \u003Cid>` 删除部署；`bl finetune list` 查历史任务。\n\n## 收尾提示\n- **闲置计费与删除**：`lora` 闲置一般不计费；`mu`\u002F`ptu` 闲置也计费，不用要清理；`bl deploy delete` 只能删 STOPPED\u002FFAILED 的部署，RUNNING 的 mu\u002Fptu 可先 `bl deploy pause`（停止计费）再删。细则见 [`references\u002Fdeploy.md`](references\u002Fdeploy.md#计费与运维细则)。\n- **复用数据集**：多次训练同一数据时，先 `bl dataset upload` 拿 file-id，再用 `--datasets \u003Cfile-id>` 避免重复上传。\n- **效果不好**：优先加数据（量与质量），其次调 `n-epochs`\u002F`learning-rate`，最后才考虑全参 `sft`。小数据集（\u003C100 条）效果上限有限，要管理预期。\n","# 百炼模型训练→部署闭环 (`bl`)\n\n用百炼 CLI `bl` 把模型部署成可调用的专属推理服务——可以先微调再部署，也可以跳过训练直接部署基座。支持文本、音频 TTS、图像生成和视频生成四种模态，两处\"等待\"用 Monitor 异步轮询，不阻塞主流程。\n\n```\n链路 A（先训练后部署）：\n数据集 → finetune \u003C模态> create → 等 SUCCEEDED → 导出模型(通常自动) → deploy \u003C模态> create → 等 RUNNING → 调用\n\n链路 B（直接部署基座，跳过训练）：\n选基座 → deploy \u003C模态> create → 等 RUNNING → 调用\n```\n\n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\u002F计费方式、纳入自己的运维。**仅当用户明确表示不训练 \u002F 跳过训练 \u002F 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。\n\n**模态分发**：本技能的通用流程适用于所有模态，但数据格式、超参、推理命令因模态而异。确定用户意图后，按模态查阅对应参考文件：\n- **文本模型**（对话\u002F推理）→ [`references\u002Ftext.md`](references\u002Ftext.md)\n- **音频 TTS 模型**（语音合成\u002FCosyVoice）→ [`references\u002Faudio.md`](references\u002Faudio.md)\n- **图像生成模型**（文生图\u002F图生图\u002FWan2.7）→ [`references\u002Fimage.md`](references\u002Fimage.md)\n- **视频生成模型**（图生视频\u002F首尾帧\u002FWan i2v\u002Fkf2v）→ [`references\u002Fvideo.md`](references\u002Fvideo.md)\n- 未来新增模态 = 新增对应 reference 文件，本流程骨架不变\n\n> 本技能假设 `bl`（bailian-cli）已安装。命令\u002Fflag 细节以 `bl \u003Ccmd> --help` 为准；本技能聚焦**流程编排与避坑**。\n\n## 写操作护栏（创建前必读）\n\n`bl finetune \u003C模态> create` 与 `bl deploy \u003C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：\n\n1. **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：\n   - 训练前：`bl finetune capability --base-model \u003Cbase>` —— 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）。\n   - 部署前：`bl deploy models --source custom`（链路 A 微调输出）或 `--source base`（链路 B 基座）—— 确认目标模型可部署、看清可用 plan，再决定 `--plan`。\n   - 复用检测：`bl deploy list --status RUNNING` —— 若已有引用同一 `finetuned_output` 且 RUNNING 的部署，直接复用其 `deployed_model`，**不要再建第二个计费实例**。\n2. **计费确认硬闸门（mu\u002Fptu）**：\n   - `lora`（默认，按 token 计费，闲置一般不计费）—— 安全默认，可直接创建。\n   - `mu` \u002F `ptu` 是**预留\u002F独占资源，闲置也计费**——创建前**必须**向用户显式说明计费方式并取得确认。在 agent \u002F CI 等非交互环境**不能自动开通预留资源**。命中 mu\u002Fptu 时，把“这会产生闲置计费”连同命令交还给真人在终端确认（`bl` 当前不提供 `--yes` 跳过确认 flag，确认行为完全由真人把控）。\n3. **账号就绪检查**：`bl auth status` —— `authenticated: false` 即停，给 `bl auth login --api-key sk-...`。百炼走 API key \u002F access token 认证，**没有独立的实名闸门**，`auth status` 即账号就绪检查。\n\n## 反触发表（不归本 skill 的意图，附完整命令）\n\n| 用户意图 | 路由到 | 完整示范命令 |\n|---|---|---|\n| 只想试模型效果 \u002F 一次性对话 | `bailian-cli` | `bl text chat --model qwen3-8b --message \"...\"` |\n| 已确定模型，只要调用方式 | `bailian-cli` | `bl text chat --model \u003Cmodel> --message \"...\"` |\n| 不知道选哪个基座 \u002F 模型选型 | `bailian-model-recommend` | （让该 skill 按场景推荐）|\n| 纯查模型参数 \u002F 价格 \u002F 上下文窗口 | `bailian-docs-llm-wiki` | （查模型数据目录）|\n| 已有部署，只想生成调用示例 | `bailian-cli` | `bl text chat --model \u003Cdeployed_model> --message \"...\"` 或 `bl speech synthesize --model \u003Cdeployed_model> --voice default --text \"...\"` 或异步 API + 触发词（图像生成，见 [image.md](references\u002Fimage.md#推理与调用)）|\n| 对已有训练任务 \u002F 部署做查删（生命周期） | `bl` 直接 | `bl finetune list` \u002F `bl deploy list` \u002F `bl deploy delete --deployed-model \u003Cid>` |\n\n> 本 skill 只负责\"新建训练任务 + 新建部署 + 调用交付\"这一条闭环。训练任务与部署的**全生命周期管理**（list \u002F stop \u002F delete 历史任务、删除部署等）不在本 skill 流程内，用 `bl finetune list` \u002F `bl deploy list` \u002F `bl deploy delete` 直接操作。\n\n## 反幻觉清单\n\n- **`--base-model` \u002F `--model-name` \u002F `--model` 分属不同命令，切勿复用**：\n  - `bl finetune \u003C模态> create --base-model` → 基座模型名（文本 `qwen3-8b`，音频 `cosyvoice-v3-flash`，图像 `wan2.7-image-pro`）。\n  - `bl deploy \u003C模态> create --model-name` → 导出模型名（链路 A：`qwen3-8b-ft-...` \u002F `cosyvoice-v3-flash-ft-...` \u002F `wan2.7-image-pro-ft-...`；链路 B：基座名）。\n  - 推理命令 `--model` → 必须用 `deploy \u003C模态> create` 响应里的 `deployed_model`，**不是**你传给 deploy \u003C模态> create 的名字。\n- **`--training-type` 取值穷举**：`sft` \u002F `sft-lora`（默认）\u002F `dpo` \u002F `dpo-lora` \u002F `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` \u002F `finetune image create` **不暴露此 flag**，仅 `finetune text create` 接受。\n- **`--plan` 取值穷举**：`lora`（默认，token 计费）\u002F `ptu`（需 `--input-tpm`\u002F`--output-tpm`）\u002F `mu`（需 `--deploy-spec`\u002F`--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`**。\n- **`--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`。\n- **`--source` 取值穷举**（`bl deploy models`）：`custom`（微调输出）\u002F `base`（基座）\u002F `public`。\n- **`--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\u002F图像不需要传此参数）。\n- **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\u002Fimage.md`](references\u002Fimage.md#推理与调用)）。\n- **没有这些 flag\u002F子命令**：`bl` 无 `--dry-run`、无裸 `finetune create`\u002F`deploy create`（**必须带模态段**：`finetune text|audio|image create`、`deploy text|audio|image create`）、无 `finetune start`、无 `deploy stop`（停用\u002F恢复用 `bl deploy pause` \u002F `bl deploy resume`；pause 对 mu\u002Fptu 停止计费）。\n- **必填**：`finetune \u003C模态> create` 的 `--base-model` \u002F `--datasets`；`deploy \u003C模态> create` 的 `--model-name` \u002F `--display-name`。\n\n## 前置检查（动作流起点）\n\n- 认证：`bl auth status`，确认已配置 API key（`DASHSCOPE_API_KEY` 或 `bl auth login --api-key sk-...`）。\n- 基座选型：查询训练能力用 `bl finetune capability`（查 listFoundationModels，走 API key、无需 console 登录）：\n  - `bl finetune capability --base-model \u003Cbase>` —— 该模型支持哪些训练类型。\n  - `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）。\n  - 选定基座后可直接进入第 2 步；`bl finetune \u003C模态> create` 提交前也会再用 listFoundationModels 校验，不支持会快速失败。\n  - 文本推理推荐 Qwen3 系列（`qwen3-8b` \u002F `qwen3-14b` \u002F `qwen3.6-flash`）；音频 TTS 用 `cosyvoice-v3-flash`；图像生成用 `wan2.7-image-pro` \u002F `wan2.7-image`。\n\n## 第 1 步：准备数据集\n\n支持三种数据来源，由你（Agent）根据用户意图灵活选用，不必写死交互流程——你本身具备主动提问能力，知道有哪些选项后自然向用户确认即可：\n\n1. **本地数据集** —— 用户提供本地文件路径，直接使用。\n2. **已上传数据集** —— 从百炼上已有的数据集中选取（`bl dataset list`）。\n3. **生成示例数据** —— 征得用户同意后，由你生成一份小规模示例数据，仅用于跑通流程（效果有限，需如实告知用户）。\n\n**数据格式因模态不同**，详见对应参考文件：\n- **文本模型**：`.jsonl` 文件（ChatML\u002FDPO\u002FCPT schema），详见 [`references\u002Ftext.md`](references\u002Ftext.md#数据格式)。\n- **音频 TTS**：`.zip` 包（内含 `data.jsonl` + `train\u002F*.wav`），详见 [`references\u002Faudio.md`](references\u002Faudio.md#数据格式)。\n- **图像生成**：`.zip` 包（内含 `data.jsonl` + 图像文件平铺），详见 [`references\u002Fimage.md`](references\u002Fimage.md#数据格式)。\n\n提交训练前用 `bl dataset validate --file \u003Cpath>` 校验通过再继续（CLI 自动探测 schema，也可 `--schema tts` \u002F `--schema image` \u002F `--schema chatml` 显式指定）。\n\n## 第 2 步：创建微调任务\n\n```bash\nbl finetune \u003C模态> create \\\n  --base-model \u003Cbase-model> \\\n  --datasets \u003Cpath-or-file-id> \\\n  --output json\n```\n\n**training-type 取值与映射**详见 [`references\u002Ffinetune.md`](references\u002Ffinetune.md)。**模态特异性超参**见对应参考文件：\n- 文本模型（`finetune text create`）：接受 `--training-type` \u002F `--n-epochs` \u002F `--learning-rate` 等，详见 [`references\u002Ftext.md`](references\u002Ftext.md#创建训练任务)。\n- 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\u002Faudio.md`](references\u002Faudio.md#创建训练任务)。\n- 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\u002Fimage.md`](references\u002Fimage.md#创建训练任务)。\n\n从响应记下：`output.job_id`、`output.finetuned_output`（输出模型名，形如 `\u003Cbase>-ft-\u003Cts>-\u003Cid>`）。\n\n## 第 3 步：等待训练完成（异步）\n\n用 Monitor 工具运行本技能自带的等待脚本——它会在状态变化时通知，到终态退出：\n\n```\nMonitor command: bash \u003C本技能目录>\u002Fscripts\u002Fwait.sh finetune \u003CJOB_ID>\n```\n\n`\u003C本技能目录>` 即本技能的 base 目录（技能加载时会给出，含 `scripts\u002Fwait.sh`），用实际路径替换。脚本每 30s 轮询，终态为 `SUCCEEDED`\u002F`FAILED`\u002F`CANCELED`\u002F`PARTIALLY_SUCCEEDED`。\n\n⚠️ **避坑：不要在 zsh 里手写 `status=...` 轮询循环。** `status` 是 zsh 的只读内置变量，赋值会报 `read-only variable` 并让脚本 exit 1。用本技能的 bash 脚本（`#!\u002Fusr\u002Fbin\u002Fenv bash`）规避，或自写时改用 `st` 等变量名。\n\n## 第 4 步：导出最佳模型（通常可跳过）\n\n任务 SUCCEEDED 后，平台**会自动导出 best checkpoint** 为可部署模型——直接进第 5 步即可，无需手动导出。\n\n只有要部署**非 best** 的某个 checkpoint 时才显式导出：\n```bash\nbl finetune checkpoints --job-id \u003CJOB_ID>          # 列出可用 checkpoint\nbl finetune export --job-id \u003CJOB_ID> --checkpoint \u003Cname> --model-name \u003C自定义名>\n```\n\n## 第 5 步：创建部署\n\n> 创建前先过[写操作护栏](#写操作护栏创建前必读)：`bl deploy list --status RUNNING` 查是否已有同模型部署可复用；`bl deploy models --source custom|base` 确认可用 plan；`mu`\u002F`ptu` 必须先取得用户计费确认。\n\n⚠️ **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。）\n\n```bash\nbl deploy \u003C模态> create \\\n  --model-name \u003Cfinetuned-output> \\   # 微调输出名(链路A) 或基座名(链路B)\n  --display-name \u003Cdisplay-name> \\\n  --plan \u003Clora|ptu|mu> \\              # 见下方说明\n  --output json\n```\n\n- **模态段**（`text` \u002F `audio` \u002F `image`）须与部署模型模态匹配；三个模态子命令 flag 完全相同。\n- `--model-name`：链路 A 传第 2 步的 `finetuned_output`；链路 B 直接传基座模型名。\n- `--plan`：\n  - 文本微调模型默认 `lora`（token 计费），也可用 `mu`。\n  - **音频 TTS 微调模型只支持 `mu`**（不支持 `lora` \u002F `ptu`），需 `--deploy-spec` + `--capacity`。\n  - **图像生成微调模型只支持 `lora`**（不支持 `mu` \u002F `ptu`）。\n  - 链路 B 基座通常只支持 `ptu`\u002F`mu`，**不支持 `lora`**。\n  - 各 plan 必填参数与计费细则见 [`references\u002Fdeploy.md`](references\u002Fdeploy.md)。\n- `--deploy-spec`：mu plan 的部署规格（如 `dps-20260521172224-1vabse`），省略时自动从 catalog 匹配。\n- 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。\n\n⚠️ **避坑（最高频错误）：`--model-name` 与推理命令的 `--model` 含义不同**——`deploy \u003C模态> create --model-name` 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\u002Fdeploy.md`](references\u002Fdeploy.md)。\n\n从响应记下：`output.deployed_model`。\n\n## 第 6 步：等待部署就绪（异步）\n\n```\nMonitor command: bash \u003C本技能目录>\u002Fscripts\u002Fwait.sh deploy \u003CDEPLOYED_MODEL>\n```\n\n`\u003C本技能目录>` 同第 3 步。每 15s 轮询，`RUNNING` 即就绪（`FAILED`\u002F`STOPPED` 终止）。\n\n⚠️ **避坑：状态传播延迟。** 部署刚到 `RUNNING` 时立即调用，可能短暂返回 404 `Model not exist`——这是服务端状态传播延迟，不是用错模型名。`bl deploy get` 也可能还显示 `PENDING`。约 1 分钟内会稳定，遇 404 等十几秒重试即可；若持续 404，先核对用的是 `deployed_model` 而非微调输出名。\n\n## 第 7 步：调用与交付\n\n**推理命令因模态不同**：\n\n文本模型：\n```bash\nbl text chat --model \u003CDEPLOYED_MODEL> --message \"你的问题\"\n```\n\n音频 TTS 模型：\n```bash\nbl speech synthesize --model \u003CDEPLOYED_MODEL> --voice default --text \"你要合成的文本\" --out result.mp3\n```\n\n图像生成模型（异步 API，需触发词）：\n```bash\n# 详见 references\u002Fimage.md —— 需 X-DashScope-Async 头 + prompt 含触发词\n```\n\n> `--model` 必须用 `deploy \u003C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。\n\n向用户交付时给出：\n- **部署实例 id**（`deployed_model`）——调用用它，不是微调输出名\n- 一条可直接运行的推理示例命令\n- 常用运维命令：`bl deploy get --deployed-model \u003Cid>` 查状态；`bl deploy delete --deployed-model \u003Cid>` 删除部署；`bl finetune list` 查历史任务。\n\n## 收尾提示\n- **闲置计费与删除**：`lora` 闲置一般不计费；`mu`\u002F`ptu` 闲置也计费，不用要清理；`bl deploy delete` 只能删 STOPPED\u002FFAILED 的部署，RUNNING 的 mu\u002Fptu 可先 `bl deploy pause`（停止计费）再删。细则见 [`references\u002Fdeploy.md`](references\u002Fdeploy.md#计费与运维细则)。\n- **复用数据集**：多次训练同一数据时，先 `bl dataset upload` 拿 file-id，再用 `--datasets \u003Cfile-id>` 避免重复上传。\n- **效果不好**：优先加数据（量与质量），其次调 `n-epochs`\u002F`learning-rate`，最后才考虑全参 `sft`。小数据集（\u003C100 条）效果上限有限，要管理预期。\n",{"name":5,"description":7},"main","e396986d3c7d4b668808fa7e7d1b862e8e9e3de1","skills\u002Fbailian-train-deploy",9,"https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills","https:\u002F\u002Fmodelstudioai.github.io\u002Fskills\u002F","https:\u002F\u002Fgithub.com\u002Fmodelstudioai","https:\u002F\u002Fbailian.console.aliyun.com\u002F","2026-11-14 04:33:35",{"source":8,"skillName":5,"commands":34,"prompt":44,"zipAvailable":45},[35,38,41],{"tool":36,"command":37},"npx","npx skills add modelstudioai\u002Fskills --skill bailian-train-deploy",{"tool":39,"command":40},"bunx","bunx skills add modelstudioai\u002Fskills --skill bailian-train-deploy",{"tool":42,"command":43},"pnpm","pnpm dlx skills add modelstudioai\u002Fskills --skill bailian-train-deploy","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fbailian-train-deploy\u002FSKILL.md",true,[47,53,57,61,65,69,73,77,81,85],{"path":48,"resourceType":49,"resourceTypeDesc":50,"sizeBytes":51,"sourceHtmlUrl":52},"evals\u002Fevals.json","REFERENCE","参考文档",3681,"https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fbailian-train-deploy\u002Fevals\u002Fevals.json",{"path":54,"resourceType":49,"resourceTypeDesc":50,"sizeBytes":55,"sourceHtmlUrl":56},"README.md",7192,"https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fbailian-train-deploy\u002FREADME.md",{"path":58,"resourceType":49,"resourceTypeDesc":50,"sizeBytes":59,"sourceHtmlUrl":60},"README.zh.md",6955,"https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fbailian-train-deploy\u002FREADME.zh.md",{"path":62,"resourceType":49,"resourceTypeDesc":50,"sizeBytes":63,"sourceHtmlUrl":64},"references\u002Faudio.md",4140,"https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fbailian-train-deploy\u002Freferences\u002Faudio.md",{"path":66,"resourceType":49,"resourceTypeDesc":50,"sizeBytes":67,"sourceHtmlUrl":68},"references\u002Fdeploy.md",3525,"https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fbailian-train-deploy\u002Freferences\u002Fdeploy.md",{"path":70,"resourceType":49,"resourceTypeDesc":50,"sizeBytes":71,"sourceHtmlUrl":72},"references\u002Ffinetune.md",3492,"https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fbailian-train-deploy\u002Freferences\u002Ffinetune.md",{"path":74,"resourceType":49,"resourceTypeDesc":50,"sizeBytes":75,"sourceHtmlUrl":76},"references\u002Fimage.md",5077,"https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fbailian-train-deploy\u002Freferences\u002Fimage.md",{"path":78,"resourceType":49,"resourceTypeDesc":50,"sizeBytes":79,"sourceHtmlUrl":80},"references\u002Ftext.md",2574,"https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fbailian-train-deploy\u002Freferences\u002Ftext.md",{"path":82,"resourceType":49,"resourceTypeDesc":50,"sizeBytes":83,"sourceHtmlUrl":84},"references\u002Fvideo.md",5537,"https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fbailian-train-deploy\u002Freferences\u002Fvideo.md",{"path":86,"resourceType":87,"resourceTypeDesc":88,"sizeBytes":89,"sourceHtmlUrl":90},"scripts\u002Fwait.sh","SCRIPT","脚本",1535,"https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fbailian-train-deploy\u002Fscripts\u002Fwait.sh",[92,99,106,113,120,127],{"skillNo":93,"name":94,"nameZh":6,"description":95,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":96,"categories":97,"keywords":98,"publishedAt":19},"01M74FEYG88ZVEVSQC85Y97PF7","vox-video-director","Turn ONE topic into a finished Vox-style paper-collage explainer \u002F ad video, end to end with Aliyun Bailian CLI + local ffmpeg — script, collage keyframes, motion, voice-over, music, captions, all automated. Use this whenever the user wants a \"Vox style\" video, a paper\u002Ftorn-paper collage animation, a \"motion collage\", a narrated explainer or short ad built from AI-generated collage posters, a scrapbook-style tribute, or wants to turn a topic \u002F product \u002F person into a punchy narrated collage video — even if they don't say the word \"Vox\". Also use when reproducing Stav Zilber \u002F rom1trs \u002F Higgsfield-style collage ad workflows. Three input modalities: a topic (B-roll), a talking-head video (A-roll mode), or a single photo of a person\u002Fproduct anchored into the collage (C-roll mode). Triggers: \"vox video\", \"collage video\", \"motion collage\", \"paper collage explainer\", \"make a collage ad\", \"turn this topic into a collage video\", \"turn my photo\u002Fthis product shot into a collage video\".","https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fvox-video-director\u002FSKILL.md",[],[],{"skillNo":100,"name":101,"nameZh":6,"description":102,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":103,"categories":104,"keywords":105,"publishedAt":19},"01M74FESD641YN15106ERYKHD7","spark-video-vfx-review","Pre-render quality gate. Read a finished storyboard.json and produce a structured review report flagging visual inconsistencies, prompt defects, and continuity errors that would waste render budget. You find problems; the director fixes them. Opt-in — bypassed unless the producer explicitly invokes you.","https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fspark-video\u002Freferences\u002Fspark-video-vfx-review\u002FSKILL.md",[],[],{"skillNo":107,"name":108,"nameZh":6,"description":109,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":110,"categories":111,"keywords":112,"publishedAt":19},"01M74FENAN9G48PFE0292SCJMP","spark-video-screenwriter","Turn a user's premise into a structured screenplay (one scene at a time) for the spark-video pipeline. Wraps Shanyin Super Screenwriting Master when available — that upstream Shanyin SKILL is the single source of truth for craft when present.","https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fspark-video\u002Freferences\u002Fspark-video-screenwriter\u002FSKILL.md",[],[],{"skillNo":114,"name":115,"nameZh":6,"description":116,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":117,"categories":118,"keywords":119,"publishedAt":19},"01M74FEEZHE6VJQAFWJ66HQDYF","spark-video-episode","One-shot autopilot orchestrator — runs the full spark-video pipeline (screenwriter ↔ director per-scene parallel → render chain-DAG parallel + per-clip review → stitch). User confirms at 4 gates (+ 1 mode gate at start + 1 BGM gate when bgm\u002F folder detected). Use when the user wants \"make me an episode\" in one command.","https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fspark-video\u002Freferences\u002Fspark-video-episode\u002FSKILL.md",[],[],{"skillNo":121,"name":122,"nameZh":6,"description":123,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":124,"categories":125,"keywords":126,"publishedAt":19},"01M74FE8JQBCHPC2GQHWJDGT55","spark-video-director","Translate a screenplay (one scene at a time) into a provider-agnostic storyboard fragment for the spark-video pipeline. Wraps Shanyin Super Director Master when available — the upstream Shanyin SKILL is the single source of truth for craft when present.","https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fspark-video\u002Freferences\u002Fspark-video-director\u002FSKILL.md",[],[],{"skillNo":128,"name":129,"nameZh":6,"description":130,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":131,"categories":132,"keywords":133,"publishedAt":19},"01M74FE3929KWXZG8RNFG1ZSXJ","spark-video-clip-review","Per-clip quality reviewer + render retry state machine. After each rendered shot, score it on 6 axes via `bl omni` (qwen3.5-omni-plus), then decide ACCEPT \u002F REJECT-and-rewrite \u002F REJECT-and-escalate. Handles up to N retry rounds with auto prompt rewriting; escalates to spark-video-director when retries are exhausted.","https:\u002F\u002Fgithub.com\u002Fmodelstudioai\u002Fskills\u002Fblob\u002Fmain\u002Fskills\u002Fspark-video\u002Freferences\u002Fspark-video-clip-review\u002FSKILL.md",[],[]]