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）

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

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

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

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

dataset list

列出数据集

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

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

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

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

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

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

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。

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）

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。

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）

infer endpoint list

按条件分页列出推理接入点

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。

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。

infer endpoint update

更新推理接入点（名称 / 描述 / 限流）

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。

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。

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。

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。在交互终端中省略 --name/--type 会进入引导式创建向导（gh pr create 式双模式）；非交互环境（agent/CI/管道）必须显式传入 --name 与 --type。

Flag	类型	说明
--name	string	任务名称（非交互环境必填；交互终端可省略以进入引导式向导）
--type	string	定制类型：sft \| lora \| dpo \| dpo-lora \| grpo \| grpo-lora \| ppo \| opd \| opd-lora \| pt（非交互环境必填；交互终端可省略以进入引导式向导）
--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。

Flag	类型	说明
--yes	bool	跳过交互确认提示

train finetune download

下载精调任务引用的训练集 / 验证集数据到本地。来源为任务记录里的 TOS 对象路径或托管 Dataset 引用；平台预设数据集（PresetDatasets）与仅记录创建时本机路径的 LocalFiles 不可下载，结果中列为 skipped。同名文件已存在时命令失败，避免静默覆盖本地文件。

Flag	类型	说明
--output-dir	string	输出目录（默认 ./<job-id>-data）
--set	string	下载哪个集合：all \| train \| validation（默认 all）

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。

train finetune list

列出模型精调任务

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）
--mine	bool	仅列出当前 SSO 子用户创建的任务（服务端 sys:ark:createdBy 过滤；仅火山身份，ByteCloud 身份不支持）

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。

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）。

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。

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）。

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

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

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。

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）

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。

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）。

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。

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。

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。

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。

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）。

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。

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。

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。

火山方舟