主题
提交训练任务前检查
本页用于确认提交训练任务所需的关键条件。先完成所有任务都需要的检查，再根据当前任务使用的资源和运行方式选择补充检查。
创建任务弹窗会检查必填项和字段格式。RLinf/Hydra 配置、镜像内容、资源容量和外部依赖需要按本页说明另行确认。
本文使用 Header 角色表示负责启动 Ray Head 和执行运行脚本的角色。Header 角色不是某个具体 Node，也不会自动只使用第一个 Worker；它必须只创建 1 个 Worker。
提交前必须确认
提交每个任务前，请确认：
- 运行输入已经确定：知道本次使用的 RLinf 代码版本、配置和运行命令，并使用来源明确的镜像地址和版本。不要使用
latest；不了解镜像版本写法时，先查看选择镜像版本和执行入口。 - Worker 规模符合预期：各角色的 Worker 数量和每个 Worker 的 GPU/设备数量与工作负载要求一致；选择范围重叠的角色已经分别计数并核对合计资源，Header 角色只有 1 个 Worker。
- 节点范围没有歧义：已选节点数符合预期，完整节点选择条件只会命中目标集群；无法自行确认时，请让平台管理员核对。
- 输入和输出路径可用：训练命令使用容器内路径读取数据；需要保留的 checkpoint、日志和结果写入已经确认可用的持久存储。
- 能够判断任务是否正常：知道日志或输出中第一个有效业务信号是什么，以及出现哪些情况时应停止任务。
确认关键条件后再提交
- Header 角色只创建 1 个 Worker；
- 镜像、运行命令和配置来源明确；
- 节点选择范围、GPU/设备容量和必要的存储条件已经确认；
- 任务连接机器人或其他真实设备时，已经完成当前环境要求的安全审批和现场确认。
任一条件仍待确认时，请暂停提交并取得所需信息。
创建任务弹窗会自动检查的内容
在切换步骤或提交时，页面会检查：
- 任务名称格式；
- 角色名称是否为空或重复，以及是否选择 Header 角色；
- 每个角色是否选择集群、填写镜像，并在所选集群内匹配至少一个节点；
- 页面能够计算 GPU 上限时，请求是否超过该上限；
- 挂载是否填写必要路径，对象存储挂载是否选择 StorageClass；
- 公共运行脚本是否为空。
这些检查覆盖弹窗生成 Job YAML 所需的表单条件。任务提交后，还要按确认 RLinf 任务是否正常运行核对 Worker、Ray、业务信号和持久输出。
按任务情况补充检查
根据当前任务的资源和运行方式选择对应行，并在提交前完成右侧检查。
| 当前任务具有这些情况 | 提交前需要确认 |
|---|---|
| 第一次使用某个 RLinf 版本、fork、补丁或 Hydra 配置 | 固定代码 ref 和镜像版本；需要复现时，同时记录该版本实际对应的 digest。使用该工作负载自身支持的方式检查 Hydra 组合与最终配置。不要直接运行可能初始化集群或访问硬件的训练入口来测试配置。 |
使用多节点、多个 node_groups 或不同 Worker 运行条件 | 按规划多节点和异构 Worker核对 Worker 数量、GPU、RLINF_NODE_RANK、资源编号和组件共享关系。 |
| 使用新镜像，或不同角色使用不同镜像 | 确认每个镜像都包含 bash、Ray CLI、名为 python 的可执行文件和业务入口，并核对 Ray、Python、CUDA/驱动及通信协议兼容性。 |
| 使用对象存储、主机目录、跨集群网络或真实设备 | 分别核对目标集群中的挂载、读写、网络或设备条件。参见在训练任务中使用存储、网络域、查看机器人和摄像头资源和使用真实设备前的安全要求。 |
任务依赖特定 CPU、内存、/dev/shm、额外容器或其他自定义 Pod 字段 | 创建任务弹窗不能配置这些内容。不要继续使用该弹窗提交，请向平台管理员确认当前环境支持的配置方式。 |
节点、镜像、存储或网络条件无法自行确认时，只需向平台管理员说明每组 Worker 的数量、GPU/设备、镜像引用、输入输出位置和网络需求，并取得填写任务所需的信息。管理员侧的核对方法见为训练任务确认运行条件。
建议保存运行记录
为便于核对结果或重现运行，建议保存：
- RLinf 代码 ref 和完整的镜像版本记录；
- 数据、模型、checkpoint 和输出位置；
- 最终 Job YAML；
- 预期的首个业务信号和停止条件。
不要在运行记录、Job YAML、日志或截图中保存密码、令牌、私钥、对象存储密钥或镜像仓库凭据。
提交后出现问题时
无需在提交前逐项排除所有可能故障。任务提交后没有达到预期时，先按首次运行问题排查找到最早出现问题的环节，再查看训练任务与 Worker 排障或存储排障。
准备提交时，继续阅读创建训练任务；任务启动后，按确认 RLinf 任务是否正常运行核对 Worker、Ray、业务信号和持久输出。