tao-run-inference-service
NVIDIA/skills
特定のネットワークアーキテクチャ向けのTAO推論マイクロサービスを、コンテナの実行を適切なプラットフォームスキルに委任することで、起動、クエリ実行、停止を行います。
...すべて拡張しますTAO推論マイクロサービス
手順
推論サービスを開始するには:
- 必要な入力(セクション 1)を収集し、コンテナイメージを解決します(セクション 2)。
- ジョブのペイロードと内部コマンドを構築します(セクション3~4.1)。
references/code-templates.yaml→job_payload_builder. - Read
skills/platform/を使用してコンテナを起動します(セクション 4.2)。/SKILL.md - サービスレジストリへの書き込みとレディネス状態のポーリングを行います(セクション 4.3)。
references/code-templates.yaml→registry_write.およびreadiness_check.
推論リクエストを送信するには:
- セクション6.0に従って、どのサービスがリクエストを受信するかを決定します(
job_id、またはによって、どのサービスがリクエストを受け取るかを決定し(セクション6.0に従って)、その後、エンドポイントを読み取network_arch、または複数のサービスが実行されている場合はユーザーの明示的な選択によって決定する(複数のサービスが存在する場合、決して黙って"latest"をデフォルトとして使用してはならない)。その後、references/code-templates.yaml→request.registry_readからエンドポイントを読み取るjob_id. - リクエスト本体を構築する前に、vLLM 形式のサンプリングパラメータ(第 6.1 節)についてユーザーに確認を求める。
max_tokens,top_p,temperature(およびアーキテクチャごとの追加パラメータ)をデフォルト値と共に提示し、ユーザーが各パラメータを上書きするか、スキップしてデフォルトを受け入れるかを選択できるようにする。決して黙ってデフォルト値を使用してはならない。 - セクション 6.2 に従ってリクエスト・ボディを構築・送信し、セクション 6.3 に従ってレスポンスを処理する。
サービスを停止するには: references/code-templates.yaml → stop.registry_read を読み込んで job_id を解決し、 skills/platform/を読み取り、セクション5の手順に従う。
参照データ(スキーマ、マッピング、有効な値 — 指示は含まない):
references/service.yaml— イメージのマッピング、有効なnetwork_arch名、ジョブペイロードスキーマ、環境変数名、シークレットの分類。references/request.yaml— エンドポイントの定義、リクエストフィールドのスキーマ、レスポンスのシェイプ、コード例。references/code-templates.yaml— ペイロード構築、レジストリへの書き込み、レディネスチェック、および停止/リクエストフロー用のPythonテンプレート。
シークレットに関するルール(このスキルで生成されるすべてのコードブロックに適用されます)
ユーザーにプロンプトでシークレット値を入力するよう求めてはなりません。すべてのシークレット値について:
- ユーザーに、どの環境変数を設定すべきかを明示してください(例:
export HF_TOKEN=...). - それを読み取るコードを生成し、
os.environ["VAR_NAME"]— 値をハードコーディング、補間、またはプロンプトで要求してはなりません。
シークレット環境変数(完全なリストは references/service.yaml → secrets_handling):
HF_TOKEN, WANDB_API_KEY, CLEARML_API_ACCESS_KEY, CLEARML_API_SECRET_KEY, TAO_API_KEY, TAO_USER_KEY.
プロンプトで収集しても安全な項目: network_arch, model_path, num_gpus、プロンプトテキスト、 WANDB_* 設定用URL、 CLEARML_*_HOST URL。
1. ユーザーから収集すべき情報
| 入力 | ロール |
|---|---|
network_arch |
コンテナイメージ、アーキテクチャごとの内部コマンドの形式(references/service.yaml → container_commands.)、および neural_network_name 該当する場合はジョブJSON内の項目を選択します。 valid_network_arch_config_basenames 内の references/service.yaml 内のベース名と一致する必要があります(例:トレーニング済みモデルのチェックポイント。有効な形式: cosmos-rl, cosmos-predict2.5). |
model_path |
学習済みモデルのチェックポイント。有効な形式: hf_model:// (HuggingFace Hub — ゲート付きモデルの場合は HF_TOKEN )またはローカルのコンテナファイルシステムのパス。クラウドURI(s3://, gs://, az://)はサポートされていません — 推論サービスにはクラウドストレージへの依存関係がありません。必ずユーザーに確認し、プレースホルダーで置き換えないでください。 references/service.yaml → model_path_protocols. |
platform |
コンピューティングプラットフォーム: local-docker, brev, slurm、または kubernetes. |
num_gpus |
デフォルトは 1 です。推論には最小値 1 が必要です。 |
2. 画像の解像度
各 network_arch には、 {network_arch}.config.jsonという名前のサイドカー設定ファイルを持っています。コンテナイメージは次のように解決します:
- 読み込み
{network_arch}.config.jsonを読み込み、api_params.image(例:COSMOS_RL)。これはdocker_image_defaults.mappinginreferences/service.yaml. - そのキーをマッピングで検索します。ホスト環境変数
IMAGE_が設定されている場合(例:IMAGE_COSMOS_RL)が設定されている場合、マッピングされたデフォルト値よりも優先されます。 - マッピングされた値は通常、リポジトリルートの
versions.yamlマニフェストへのドット区切りのキーです(例:tao_toolkit.cosmos_rl)。これを具体的なnvcr.io/...イメージURIに解決しますversions.yaml→images.ことで、具体的なイメージURIに解決します。絶対URIは変更されずに透過的に渡されるため、完全なURIを含む. IMAGE_完全なURIを含む環境変数による上書きは引き続き機能します。これに対応するPythonヘルパーはreferences/code-templates.yaml. - 設定ファイルが存在しないか、
api_params.image空の場合、COSMOS_RLキーにフォールバックします。
また、設定ファイルには spec_params.inference.model_path が含まれており、これによりフォルダパスとファイルパスの区別が決まります。値に folderが含まれている場合、コンテナはそのパスをディレクトリとして扱います。
3. 環境変数(コールバックなし)
これらを env_payload で設定してください env_json前にこれらを設定してください。 TAO_LOGGING_SERVER_URL または TAO_ADMIN_KEY.
TAO_EXECUTION_BACKEND — プラットフォームと一致させる必要があります:
| プラットフォーム | TAO_EXECUTION_BACKEND 値 |
|---|---|
| local-docker | local-docker |
| brev | local-docker |
| slurm | slurm |
| Kubernetes | local-k8s |
CLOUD_BASED — 常に "False" このスキルでは常に( TAO_LOGGING_SERVER_URL).
GPU環境変数へのコールバック投稿を無効化 — プラットフォームスキルがGPUインジェクションを自動的に処理しない場合にのみ必要:
- Tegra / Jetson:
--runtime=nvidiaとNVIDIA_DRIVER_CAPABILITIES=allおよびNVIDIA_VISIBLE_DEVICES=. - 標準 x86 + nvidia-container-toolkit: Docker を使用
device_requestsを使用します。プラットフォームスキルがこれを処理します。
4. プラットフォームをまたいだ実行
ジョブのペイロードおよび内部コマンド(セクション1~3)は、プラットフォームに依存しません。各プラットフォームについて、実行コードを生成する前に、事前チェックおよび認証情報については skills/platform/ を参照してください。
4.1 内部コマンドの構築(アーキテクチャごと)
内部コマンドの構成は network_arch に準拠しており、統一されたテンプレートはありません。 references/service.yaml → container_commands.を参照してください。該当するエントリがない場合、そのアーキテクチャはサポートされていません。その場合は作業を中止し、問い合わせを行ってください。 references/code-templates.yaml → job_payload_builder.から適切なサブブロックを選択してください。コマンドの先頭に umask 0 && を付け、すべてのプラットフォーム(local-docker、brev、slurm、kubernetes)で同一のものを使用してください。
すべてのアーキテクチャに共通する項目:
job_id: freshuuid.uuid4()— これがコンテナ名およびレジストリキーになります。image: セクション2に従って解決します。- シークレット(
access_key,secret_key,HF_TOKENなど)は実行時に環境変数から読み込まれます。— 決してハードコーディングせず、ログや出力も行わないでください。
アーキテクチャ固有の注意事項(詳細は references/service.yaml → container_commands):
cosmos-rl— 単一の--job 'blob;' --docker_env_vars ' ' json.dumps(...)+shlex.quote(...).env_payloadにはTAO_EXECUTION_BACKEND(セクション3の表参照)、TAO_API_JOB_ID,CLOUD_BASED=False。推論サービスにはクラウドストレージへの依存関係はありません。HF_TOKEN(ゲート付きHuggingFaceモデルの場合)適用される唯一の認証環境変数である。cosmos-predict2.5— フラグ形式cosmos_predict inference_microservice start ... --port 8080(setup.接頭辞なし;tyro.conf.OmitArgPrefixes).--job/--docker_env_varsは受け入れられません。翻訳model_pathを--checkpoint-path(ローカルパス) または--model(hf_model://)に翻訳してください。クラウドURIは拒否されます。適用されるcred環境変数は、HF_TOKENゲート付きHuggingFaceモデルに対してのみ適用される。リクエストごとのパラメータ(prompt、inference_type、num_output_frames、guidance、seed、num_steps、negative_prompt)は、起動時ではなくリクエスト本文に記述する。TAO_EXECUTION_BACKEND/TAO_API_JOB_ID/CLOUD_BASEDは未使用であり、省略可能です。
4.2 プラットフォームスキルへの実行の委譲
skills/platform/ を参照し、その手順に従ってコンテナを起動してください。
基本パラメータ(すべてのプラットフォーム):
| パラメータ | 値 |
|---|---|
image |
解決済みのコンテナイメージ(セクション 2) |
command |
inner — セクション4.1で構築されたシェル文字列 |
gpu_count |
num_gpus |
env_vars |
env_payload |
| ジョブ/コンテナ名 | job_id — レジストリが参照できるように、4.1で生成されたUUIDと一致している必要がある |
host_port (local-docker, brev) |
コンテナのポート 8080 にバインドするホスト側のポート。デフォルト 8080ですが、同時実行されるサービスごとに一意である必要があります — 以下のポート割り当てルールを参照してください。 |
プラットフォーム固有の追加入力項目:
| プラットフォーム | 追加の入力 |
|---|---|
| local-docker | 基本設定以外になし |
| brev | instance_id (オプション — 既存のインスタンスを再利用);複数の認証情報/複数のワークスペースを持つアカウントの場合は、以下も指定 cloud_cred_id および workspace_group_id 初回作成時 — 参照 skills/platform/tao-run-on-brev/SKILL.md |
| slurm | partition および初回作成時の場合は — 参照slurm account — SLURM_PARTITION/SLURM_ACCOUNT 環境変数を確認し、設定されていない場合はユーザーに確認を求める |
| kubernetes | namespace (デフォルト: default); image_pull_secret ( nvcr.io イメージ) |
ポートバインディング(local-docker および brev): -p 引数を渡せるようにし、コンテナ名が job_id ようにします。
ポート割り当てルール(local-docker および brev、同時実行サービスでは必須):サービスの起動前に、レジストリ(/tmp/tao-inf-ms-state.json)を読み込み、 host_port 値のセットを収集する。サービスを開始する前に、レジストリ()を読み込み、同じプラットフォーム上のすべての既存エントリ(また、brevの場合は同じ instance_id)から、一連の値を収集します。そのセットに含まれていない、8080 以降で最も低い空きポートを選択します — 例: host_port = next(p for p in range(8080, 8200) if p not in used_ports)。デフォルトの 8080 設定は、他のサービスが実行されていない場合にのみ適用されます。これにより、「3つのサービスを起動し、それぞれが異なる host_url」という仕組みが機能する理由です。これがなければ、サービス2と3は bind: address already in useで失敗します。SLURM や Kubernetes は、それぞれのプラットフォームの仕組みから固有のエンドポイントを取得するため、この手順は必要ありません。
4.3 起動後:サービスレジストリとエンドポイント
プラットフォームがコンテナの実行を確認したら、直ちにサービスレジストリを書き込みます。レジストリ(/tmp/tao-inf-ms-state.json)のキーは job_id; "latest" 常に、最も最近起動されたサービスを指すように設定されます。
Pythonテンプレートについては references/code-templates.yaml → registry_write. を参照してください。
| プラットフォーム | host_url |
platform_job_id |
記述前の追加手順 |
|---|---|---|---|
| local-docker | http://localhost:{host_port} |
— | なし |
| brev | http://{brev_ip}:{host_port} |
— | brev ls → インスタンスのIPを取得(localhost リモートVMでは無効) |
| slurm | http://localhost:{host_port} |
SLURMスケジューラのジョブID | 「Running」状態になるまで待機;SSHポートフォワード localhost:{host_port}→{node}:8080 |
| Kubernetes | http://{external_ip}:8080 |
k8sジョブ名 | kubectl expose job … --type=LoadBalancer; 外部IPが取得できるまで待機 |
レジストリへの書き込み後、job_id と URL を出力します:
print(f"Inference service started.")
print(f" Job ID : {job_id}")
print(f" Arch : {network_arch}")
print(f" URL : {state[job_id]['host_url']}/v1/chat/completions")
print(f"Use this Job ID to send requests or stop the service.")
その後、レディネスをポーリングする — 詳細は references/code-templates.yaml → readiness_checkを参照。コンテナはバックグラウンドでモデルを読み込むため、200が返されるまではリクエストを送信しないでください。
5. 推論サービスの停止
ユーザーに停止を依頼します。 job_id を尋ねてください。指定がない場合は、デフォルトで state["latest"] をデフォルトとして設定し、停止される job_id を確認します。 references/code-templates.yaml → stop.registry_readを使用してレジストリを読み取り、skills/platform/ を参照して、そのキャンセル/停止メカニズムを使用してください。
| プラットフォーム | 識別子を渡す | 追加のクリーンアップ |
|---|---|---|
| local-docker | job_id_to_stop — コンテナ名 |
なし |
| brev | job_id_to_stop — コンテナ名 |
なし |
| slurm | entry["platform_job_id"] — SLURM ジョブ ID |
pkill -f "ssh.*-L.*{entry['host_port']}" |
| kubernetes | entry["platform_job_id"] — k8sジョブ名 |
kubectl delete svc {entry["platform_job_id"]} -n |
ここで entry = state[job_id_to_stop]。停止後は、レジストリをクリーンアップしてください: references/code-templates.yaml → stop.registry_cleanup.
6. 推論リクエストの送信
6.0 このリクエストを受け取るサービスを特定する(必須)
各リクエストは、該当するモデルを実行している特定のサービスにルーティングされなければなりません。ルーティングは job_id — レジストリは network_arch エントリごとに保存されるため、ユーザーが job_id。以下のルールを順に適用します:
- ユーザーが明示的に
job_idを指定した場合 → それを使用する。それがstate. - ユーザーが
network_archを指定した場合(例:「これをcosmos-rlサービスに送信」など)→ 一致するエントリを検索:candidates = [j for j, e in state.items() if j != "latest" and isinstance(e, dict) and e["network_arch"] == arch].- 完全に一致するエントリが1つだけ → それを使用する。
- 一致するエントリが複数ある場合 → 候補となる
job_id候補とstarted_at;自動選択は行わない。 - 一致するエントリがない → 処理を中止し、そのアーキテクチャに対応するサービスが実行されていないことをユーザーに通知する。
job_idもnetwork_archもない場合 → 該当しないエントリの数を数える"latest"エントリの数を数えるstate:- 実行中のサービスがちょうど1つ → それを使用する。
- 2つ以上 → 黙って
state["latest"]をデフォルトにしない。完全なリストを表示してユーザーに確認を求める(job_id,network_arch,host_url)を表示してユーザーに明示的な選択を求めます。この"latest"ポインタは、単一サービスのワークフローにおける便宜上の機能であり、複数のサービスが共存する場合のルーティングのフォールバックではない。 - 0 → 処理を停止し、ユーザーにまずサービスを起動するよう指示する。
解決後、レジストリからエンドポイントを読み取り(references/code-templates.yaml → request.registry_read)からエンドポイントを読み取り、解決された job_id をとして渡す。 user_provided_job_idとして渡す。ユーザーに「job_id=… arch=… url=… に送信中」と確認を表示する。サービスがまだ読み込み中の可能性がある場合は、まず準備完了状態をポーリングする(references/code-templates.yaml → readiness_check).
送信前に照合を行う:ユーザーが指定したリクエスト本文にアーキテクチャ固有のフィールド(例: guidance / num_steps / seed / negative_prompt → cosmos-predict2.5; 必須の image_url/video_url コンテンツ項目 → cosmos-rl)が含まれている場合、それらが state[job_id]["network_arch"]。不一致の場合は処理を中止し、確認を求めること — cosmos-predict2.5のリクエストボディをcosmos-rlサービスに送信すると、コンテナ側で4xx/5xxエラーが発生し、ここで検知するよりも診断が困難になる。
6.1 サンプリングパラメータ — 各リクエスト前の必須ユーザープロンプト
リクエスト・ボディを構築する前に、vLLM 形式のサンプリングパラメータについて、ユーザーに明示的に入力を求める必要があります。デフォルト値を黙って適用してはなりません。構造化されたプロンプト(フィールドごとに 1 つの質問)を使用し、以下の要件を満たすようにしてください:
- 該当するすべてのフィールドを、その型とデフォルト値とともに一覧表示すること。
- ユーザーが任意のフィールドをスキップまたは承諾することで、そのフィールドのデフォルト値を採用できるようにすること — 値の入力は決して必須ではありません。
- すべてのフィールドを一度に収集すること。
プロンプト終了後、ユーザーが入力した各値をそのまま適用し、スキップされたフィールドについてはデフォルト値を代入してください。値を勝手に生成したり、黙ってクリッピングを行ったりしてはなりません。
フィールド一覧、デフォルト値、およびアーキテクチャごとの適用範囲: references/request.yaml → chat_completions_request_body (基本サンプリングフィールド: max_tokens, top_p, temperature) および network_arch_constraints. (アーキテクチャごとの上書き設定および guidance/num_steps/seed/negative_prompt for cosmos-predict2.5)。フィールドがアクティブなアーキテクチャに対して「非対応」とマークされている場合、そのフィールドについてプロンプトを表示せず、本文にも含めないでください。
6.2 リクエスト形式
以下の形式で送信してください POST を {BASE_URL}/v1/chat/completions に送信してください。 Content-Type: application/json を指定し、タイムアウトを少なくとも300秒に設定して送信してください。本文はOpenAI互換(vLLMチャット補完)です。完全なフィールドスキーマおよびコンテンツアイテムのシェイプ(text / image_url / video_url)については、 references/request.yaml → chat_completions_request_body を参照してください。また、 code_examples を参照してください。
制約事項:処理されるのは最初のユーザーメッセージのみです。リクエスト本文に秘密値を含めないでください。ネットワークごとの制約があります(例:cosmos-rl では、すべてのリクエストに画像または動画を含める必要があります。cosmos-rl は data: URIを拒否します)は references/request.yaml → network_arch_constraints.
6.3 レスポンスの処理
| HTTPステータス | 意味 | アクション |
|---|---|---|
| 200 | 成功 — choices[0].message.content 生成されたテキストがある |
結果の読み取り |
| 202 | サーバーの初期化中、またはモデルの読み込み中 | しばらく待ってから再試行してください |
| 503 | 初期化に失敗した、モデルの読み込みに失敗した、またはモデルがまだ準備できていない | 確認 error.type: model_not_ready → 再試行; initialization_error / model_load_error → 処理を中止し、ログを確認する |
| 400 | JSON本文が欠落しているか空です | リクエストを修正する |
| 500 | 推論中に未処理の例外が発生しました | コンテナのログを確認してください |
202 および 503 の場合、本文には {"error": {"type": "が含まれています。詳細は container_response_shapes を参照 references/request.yaml を参照してください。
---
name: tao-run-inference-service
description: Start, query, and stop a TAO inference microservice for a specific network architecture by delegating container execution to the appropriate platform skill.
license: Apache-2.0
---
# TAO Inference Microservice
## Instructions
**To start an inference service:**
1. Collect required inputs (Section 1) and resolve the container image (Section 2).
2. Build the job payload and inner command (Sections 3–4.1); use `references/code-templates.yaml` → `job_payload_builder`.
3. Read `skills/platform/<platform>/SKILL.md` and start the container (Section 4.2).
4. Write the service registry and poll readiness (Section 4.3); use `references/code-templates.yaml` → `registry_write.<platform>` and `readiness_check`.
**To send an inference request:**
1. Resolve which service receives the request per Section 6.0 (by `job_id`, by `network_arch`, or by explicit user choice when multiple services run — **never silently default to `"latest"` when more than one service exists**), then read the endpoint from `references/code-templates.yaml` → `request.registry_read` with the resolved `job_id`.
2. **Before building the request body, prompt the user for the vLLM-style sampling parameters (Section 6.1).** Present `max_tokens`, `top_p`, `temperature` (and any per-arch extras) with their defaults; let the user override or skip each one to accept the default. Never silently use defaults.
3. Build and send the body per Section 6.2; handle the response per Section 6.3.
**To stop a service:** Read `references/code-templates.yaml` → `stop.registry_read` to resolve the job_id, read `skills/platform/<platform>/SKILL.md`, then follow Section 5.
**Reference data** (schemas, mappings, valid values — no instructions):
- **`references/service.yaml`** — image mappings, valid `network_arch` names, job payload schema, env var names, secrets classification.
- **`references/request.yaml`** — endpoint definition, request field schema, response shapes, code examples.
- **`references/code-templates.yaml`** — Python templates for payload building, registry writes, readiness checks, and stop/request flows.
---
## Secrets rule (applies to every generated code block in this skill)
**Never ask the user to type a secret value into a prompt.** For every secret value:
1. Tell the user which environment variable to set (e.g. `export HF_TOKEN=...`).
2. Generate code that reads it with `os.environ["VAR_NAME"]` — never hard-code, interpolate, or prompt for the value.
**Secret env vars** (full list in `references/service.yaml` → `secrets_handling`):
`HF_TOKEN`, `WANDB_API_KEY`, `CLEARML_API_ACCESS_KEY`, `CLEARML_API_SECRET_KEY`, `TAO_API_KEY`, `TAO_USER_KEY`.
**Safe to collect in the prompt:** `network_arch`, `model_path`, `num_gpus`, prompt text, `WANDB_*` config URLs, `CLEARML_*_HOST` URLs.
---
## 1. What to collect from the user
| Input | Role |
|--------|------|
| **`network_arch`** | Chooses container image, the per-arch inner command shape (`references/service.yaml` → `container_commands.<network_arch>`), and `neural_network_name` in the job JSON when applicable. Must match a basename in `valid_network_arch_config_basenames` in `references/service.yaml` (e.g. `cosmos-rl`, `cosmos-predict2.5`). |
| **`model_path`** | The trained model checkpoint. Valid forms: `hf_model://<org>/<model>` (HuggingFace Hub — set `HF_TOKEN` for gated models) or a local container filesystem path. Cloud URIs (`s3://`, `gs://`, `az://`) are NOT supported — the inference service has no cloud-storage dependency. Always ask the user; never substitute a placeholder. See `references/service.yaml` → `model_path_protocols`. |
| **`platform`** | Compute platform: `local-docker`, `brev`, `slurm`, or `kubernetes`. |
| **`num_gpus`** | Defaults to **1**; minimum **1** for inference. |
---
## 2. Image resolution
Each `network_arch` has a sidecar config file named `{network_arch}.config.json`. Resolve the container image as follows:
1. Read `{network_arch}.config.json` and take `api_params.image` (e.g. `COSMOS_RL`). This is a key into `docker_image_defaults.mapping` in `references/service.yaml`.
2. Look up that key in the mapping. If the host env var `IMAGE_<KEY>` is set (e.g. `IMAGE_COSMOS_RL`), it overrides the mapped default.
3. The mapped value is normally a dotted key into the repo-root `versions.yaml` manifest (e.g. `tao_toolkit.cosmos_rl`). Resolve it to a concrete `nvcr.io/...` image URI by looking up `versions.yaml` → `images.<group>.<name>`. Absolute URIs pass through unchanged, so an `IMAGE_<KEY>` env-var override that contains a full URI still works. The Python helper for this lives in `references/code-templates.yaml`.
4. If the config file is missing or `api_params.image` is empty, fall back to the `COSMOS_RL` key.
The config file also has `spec_params.inference.model_path` which drives **folder vs file** path semantics: if the value contains the substring `folder`, the container treats the path as a directory.
---
## 3. Environment variables (no callbacks)
Set these in `env_payload` before encoding `env_json`. Do **not** set `TAO_LOGGING_SERVER_URL` or `TAO_ADMIN_KEY`.
**`TAO_EXECUTION_BACKEND`** — must match the platform:
| Platform | `TAO_EXECUTION_BACKEND` value |
|----------|-------------------------------|
| local-docker | `local-docker` |
| brev | `local-docker` |
| slurm | `slurm` |
| kubernetes | `local-k8s` |
**`CLOUD_BASED`** — always `"False"` for this skill (disables callback posting to `TAO_LOGGING_SERVER_URL`).
**GPU env vars** — only needed when the platform skill does not handle GPU injection automatically:
- Tegra / Jetson: `--runtime=nvidia` with `NVIDIA_DRIVER_CAPABILITIES=all` and `NVIDIA_VISIBLE_DEVICES=<ids>`.
- Standard x86 + nvidia-container-toolkit: use Docker `device_requests`. The platform skill handles this.
---
## 4. Executing across platforms
The job payload and inner command (Sections 1–3) are **platform-agnostic**. For each platform, read **`skills/platform/<name>/SKILL.md`** for preflight checks and credentials **before** generating any execution code.
### 4.1 Build the inner command (per arch)
The inner-command shape is **per `network_arch`** — there is no uniform template. Look up the per-arch entry in `references/service.yaml` → `container_commands.<network_arch>`; if not present, the arch is unsupported — stop and ask. Pick the matching sub-block in `references/code-templates.yaml` → `job_payload_builder.<network_arch>`. Prefix the command with `umask 0 &&` and keep it **identical across platforms** (local-docker, brev, slurm, kubernetes).
Common across arches:
- `job_id`: fresh `uuid.uuid4()` — becomes the container name and registry key.
- `image`: resolve per Section 2.
- Secrets (`access_key`, `secret_key`, `HF_TOKEN`, etc.) are read from env vars at runtime — never hard-code, never log or print.
Arch-specific notes (full details in `references/service.yaml` → `container_commands`):
- **`cosmos-rl`** — single `--job '<JOB_JSON>' --docker_env_vars '<ENV_JSON>'` blob; `json.dumps(...)` + `shlex.quote(...)`. `env_payload` carries `TAO_EXECUTION_BACKEND` (per Section 3 table), `TAO_API_JOB_ID`, `CLOUD_BASED=False`. The inference service has no cloud-storage dependency; `HF_TOKEN` is the only cred env var that ever applies (for gated HuggingFace models).
- **`cosmos-predict2.5`** — flag-style `cosmos_predict inference_microservice start ... --port 8080` (no `setup.` prefix; uses `tyro.conf.OmitArgPrefixes`). `--job`/`--docker_env_vars` are **not** accepted. Translate `model_path` to `--checkpoint-path` (local path) or `--model <registered_key>` (`hf_model://`); cloud URIs are rejected. The only cred env var that ever applies is `HF_TOKEN` for gated HuggingFace models. Per-request params (prompt, inference_type, num_output_frames, guidance, seed, num_steps, negative_prompt) go in the request body, not at startup. `TAO_EXECUTION_BACKEND`/`TAO_API_JOB_ID`/`CLOUD_BASED` are unused and may be omitted.
### 4.2 Delegate execution to the platform skill
Read **`skills/platform/<platform>/SKILL.md`** and follow it to start the container.
**Base parameters (all platforms):**
| Parameter | Value |
|-----------|-------|
| `image` | resolved container image (Section 2) |
| `command` | `inner` — the shell string built in Section 4.1 |
| `gpu_count` | `num_gpus` |
| `env_vars` | `env_payload` |
| job / container name | `job_id` — must equal the UUID from 4.1 so the registry can reference it |
| `host_port` *(local-docker, brev)* | host-side port to bind to container port 8080. Default `8080`, but **must be unique per concurrent service** — see the port-allocation rule below. |
**Platform-specific additional inputs:**
| Platform | Additional inputs |
|----------|------------------|
| **local-docker** | None beyond base |
| **brev** | `instance_id` (optional — reuse an existing instance); on multi-credential / multi-workspace accounts also `cloud_cred_id` and `workspace_group_id` for first-create — see `skills/platform/tao-run-on-brev/SKILL.md` |
| **slurm** | `partition` and `account` — check `SLURM_PARTITION`/`SLURM_ACCOUNT` env vars; ask user if unset |
| **kubernetes** | `namespace` (default: `default`); `image_pull_secret` (required for `nvcr.io` images) |
**Port binding (local-docker and brev):** use **direct docker run** (not DockerSDK) so that `-p <host_port>:8080` can be passed and the container name equals `job_id` exactly.
**Port allocation rule (local-docker and brev, REQUIRED for concurrent services):** Before starting a service, read the registry (`/tmp/tao-inf-ms-state.json`) and collect the set of `host_port` values from every existing entry on the same platform (and, for brev, the same `instance_id`). Pick the **lowest free port starting from 8080** that is not in that set — e.g. `host_port = next(p for p in range(8080, 8200) if p not in used_ports)`. The default `8080` only applies when no other service is running. This is what makes "start 3 services, each reachable at a distinct `host_url`" work; without it, services 2 and 3 fail with `bind: address already in use`. SLURM and kubernetes get distinct endpoints from their own platform mechanisms and do not need this step.
### 4.3 After start: service registry and endpoint
Write the service registry immediately after the platform confirms the container is running. The registry (`/tmp/tao-inf-ms-state.json`) is keyed by `job_id`; `"latest"` always points to the most recently started service.
See `references/code-templates.yaml` → `registry_write.<platform>` for the Python template.
| Platform | `host_url` | `platform_job_id` | Extra step before writing |
|----------|-----------|-------------------|--------------------------|
| **local-docker** | `http://localhost:{host_port}` | — | None |
| **brev** | `http://{brev_ip}:{host_port}` | — | `brev ls` → get instance IP (`localhost` is invalid on remote VM) |
| **slurm** | `http://localhost:{host_port}` | SLURM scheduler job ID | Wait until Running; SSH port-forward `localhost:{host_port}→{node}:8080` |
| **kubernetes** | `http://{external_ip}:8080` | k8s job name | `kubectl expose job … --type=LoadBalancer`; wait for external IP |
After writing the registry, print the job_id and URL:
```python
print(f"Inference service started.")
print(f" Job ID : {job_id}")
print(f" Arch : {network_arch}")
print(f" URL : {state[job_id]['host_url']}/v1/chat/completions")
print(f"Use this Job ID to send requests or stop the service.")
```
Then poll for readiness — see `references/code-templates.yaml` → `readiness_check`. The container loads the model in the background; do not send requests before it returns 200.
---
## 5. Stopping the inference service
Ask the user for the `job_id` to stop. If they don't provide one, default to `state["latest"]` and confirm which job_id is being stopped. Read the registry using `references/code-templates.yaml` → `stop.registry_read`, then read **`skills/platform/<platform>/SKILL.md`** and use its cancellation / stop mechanism.
| Platform | Identifier to pass | Extra cleanup |
|----------|--------------------|---------------|
| **local-docker** | `job_id_to_stop` — container name | None |
| **brev** | `job_id_to_stop` — container name | None |
| **slurm** | `entry["platform_job_id"]` — SLURM job ID | `pkill -f "ssh.*-L.*{entry['host_port']}"` |
| **kubernetes** | `entry["platform_job_id"]` — k8s job name | `kubectl delete svc {entry["platform_job_id"]} -n <namespace>` |
where `entry = state[job_id_to_stop]`. After stopping, clean up the registry: `references/code-templates.yaml` → `stop.registry_cleanup`.
---
## 6. Sending inference requests
### 6.0 Resolve which service receives this request (REQUIRED)
Each request must be routed to the **specific** service that runs the matching model. Routing happens by `job_id` — the registry stores `network_arch` per entry, so you can resolve a target by arch when the user names a model instead of a `job_id`. Apply these rules in order:
1. **User provided an explicit `job_id`** → use it. Verify it exists in `state`.
2. **User named a `network_arch`** (e.g. "send this to the cosmos-rl service") → look up matching entries: `candidates = [j for j, e in state.items() if j != "latest" and isinstance(e, dict) and e["network_arch"] == arch]`.
- Exactly one match → use it.
- Multiple matches → **prompt the user** with the candidate `job_id`s and their `started_at`; do not auto-pick.
- No match → stop and tell the user no service for that arch is running.
3. **No `job_id` and no `network_arch`** → count non-`"latest"` entries in `state`:
- Exactly one running service → use it.
- Two or more → **do not silently default to `state["latest"]`**. Prompt the user with the full list (`job_id`, `network_arch`, `host_url`) and require an explicit choice. The `"latest"` pointer is a convenience for single-service workflows, not a routing fallback when multiple services coexist.
- Zero → stop and tell the user to start a service first.
After resolving, read the endpoint from the registry (`references/code-templates.yaml` → `request.registry_read`), passing the resolved `job_id` as `user_provided_job_id`. Confirm to the user: "Sending to job_id=… arch=… url=…". If the service may still be loading, poll readiness first (`references/code-templates.yaml` → `readiness_check`).
**Cross-check before sending:** if the user-supplied request body contains arch-specific fields (e.g. `guidance` / `num_steps` / `seed` / `negative_prompt` → cosmos-predict2.5; required `image_url`/`video_url` content items → cosmos-rl), verify they are consistent with `state[job_id]["network_arch"]`. On mismatch, stop and ask — sending a cosmos-predict2.5 body to a cosmos-rl service will fail at the container with a 4xx/5xx that is harder to diagnose than catching it here.
### 6.1 Sampling parameters — REQUIRED user prompt before each request
Before constructing the request body, you **MUST** explicitly prompt the user for the vLLM-style sampling parameters. Do **not** silently apply defaults. Use a structured prompt, one question per field, that:
1. Lists every applicable field with its **type** and **default value**.
2. Lets the user skip / accept any field to take that field's default — entering a value is never required.
3. Collects all fields in one round.
After the prompt, apply each user-entered value verbatim and substitute the default for any skipped field. Do not invent values or silently clamp.
**Field list, defaults, and per-arch applicability:** `references/request.yaml` → `chat_completions_request_body` (base sampling fields: `max_tokens`, `top_p`, `temperature`) and `network_arch_constraints.<network_arch>` (per-arch overrides and extras such as `guidance`/`num_steps`/`seed`/`negative_prompt` for `cosmos-predict2.5`). If a field is marked unsupported for the active arch, do **not** prompt for it and do **not** include it in the body.
### 6.2 Request format
Send a `POST` to `{BASE_URL}/v1/chat/completions` with `Content-Type: application/json` and a timeout of **at least 300 s**. The body is OpenAI-compatible (vLLM chat completions); see `references/request.yaml` → `chat_completions_request_body` for the full field schema and content-item shapes (text / image_url / video_url), and `code_examples` for ready-to-run Python and curl samples.
**Constraints:** only the first user message is processed. No secret values in request bodies. **Per-network constraints** (e.g. cosmos-rl requires every request to include an image or video; cosmos-rl rejects `data:` URIs) are in `references/request.yaml` → `network_arch_constraints`.
### 6.3 Response handling
| HTTP status | Meaning | Action |
|-------------|---------|--------|
| **200** | Success — `choices[0].message.content` has the generated text | Read result |
| **202** | Server still initializing or model still loading | Retry after a delay |
| **503** | Initialization failed, model load failed, **or model not yet ready** | Inspect `error.type`: `model_not_ready` → retry; `initialization_error` / `model_load_error` → give up and check logs |
| **400** | Missing or empty JSON body | Fix request |
| **500** | Unhandled exception during inference | Check container logs |
For 202 and 503, the body contains `{"error": {"type": "<error_type>", "message": "<reason>"}}`. See `container_response_shapes` in `references/request.yaml` for error type strings.
すべてのファイル
11件のファイルtao-run-inference-serviceをインストール
スキルファイルをダウンロードし、.claude/skills/ ディレクトリに解凍してください。
ZIPをダウンロードリポジトリをクローンし、スキルファイルをプロジェクトにコピーしてください。
git clone https://github.com/NVIDIA/skills/tree/main/skills/tao-run-inference-service # Copy SKILL.md to your .claude/skills/ directory
コピー





家
