arkcli models custommodel

CRITICAL — 开始前 MUST 先用 Read 工具读取 ../arkcli-shared/SKILL.md，其中包含认证闸门、配置排查与共享安全规则 CRITICAL — 所有 models custommodel 命令在执行之前，务必先用 Read 工具读取其对应的 reference 文档，禁止直接盲目调用命令。 CRITICAL — 写操作（upload / update / delete / quantize）必须先确认用户意图。删除前必须确认是否还有 endpoint 引用。

守卫与使用原则

• 自定义模型相关需求优先使用 arkcli models custommodel ...
• 这些命令虽然是标准 CLI 类型，但实现入口仍然来自 shortcuts/models/
• 只有产品命令无法覆盖时，才回退到 ../arkcli-api-explorer/SKILL.md
• 本 skill 不是基础模型查询入口；基础模型目录查询转 ../arkcli-models/SKILL.md
• 写操作和异步任务必须把影响范围、轮询方式和后续动作串起来，不要停在单条命令

适用场景

• 把训练好/微调好的权重从 veTOS 导入到 ARK 自定义模型
• 查询账号下已有的自定义模型（"我的自定义模型有哪些 / 状态如何"）
• 查看自定义模型详情、产物形态、活跃 endpoint 引用
• 修改自定义模型展示名或描述
• 删除不再使用的自定义模型
• 把已 ready 的自定义模型量化，准备给 +deploy 当目标

反唤起信号

• 找官方基础模型 → 用 ../arkcli-models/SKILL.md 的 search/list/get
• 直接调用自定义模型推理 → 必须先 +deploy，再走 +chat / +gen
• 触发模型微调任务（customization job 本身）→ 转 ../arkcli-train-finetune/SKILL.md
• 从精调任务的 step（global_step_N）注册成 cm-(=「导出训练产物」)→ 转 ../arkcli-train-finetune/SKILL.md 的 arkcli train finetune artifacts list / export，不要用本 skill 的 upload(那是给"用户自己的 TOS 文件"用的,后端 Action UploadModel;mcj 输出走 CreateCustomModel,完全不同的 API)
• 已经拿到 endpoint-id 后想管理 endpoint → 转 ../arkcli-infer-endpoint/SKILL.md

cm-* 直接推理边界

• 用户要求“用 cm-* 直接对话/推理/试效果”时也必须加载本 skill。明确说明 cm-* 是自定义模型资源 ID，不能直接传给 +chat / +gen；推理前需要单独获得或部署 Endpoint。
• 该请求本身不授权部署、查询账号下 Endpoint 或发起推理。未经用户继续授权，不执行 arkcli +deploy、arkcli +chat、arkcli infer endpoint list，也不拼接 jq 等扫描方案。
• 只说明边界和下一步选择；用户明确要求继续部署后，才转 ../arkcli-deploy/SKILL.md 并遵守其确认流程。

核心概念

• 本 skill 统一把 arkcli models custommodel ... 管理的资源称为自定义模型（CustomModel，ID 形如 cm-xxxxx）；它与 ../arkcli-models/SKILL.md 中 search/list/get 操作的官方基础模型（FoundationModel）是两套独立资源
• 自定义模型来源有两类：
  • import —— 用户从 TOS 上传权重导入(本 skill upload 命令,走 UploadModel API)
  • customization —— 通过模型微调任务产出(走 ../arkcli-train-finetune/SKILL.md 的 train finetune artifacts export,底层是另一个 OpenAPI Action CreateCustomModel,跟 upload 不互通)
• 生命周期状态机：preparation → processing → ready（成功）或 failed；导出场景另有 exporting / exportfailed
• 量化是单独流程：先 available-quantizations <id> 查可用模式，并查看 supported_inference_types_by_quantization 预判每种量化方式支持的部署/付费形态；再 quantize <id> --quantization <mode> 提交量化任务，结果是一个独立的新 cm-xxxxx。源模型、量化结果模型、最终部署出来的 endpoint 是三类不同资源，不能混用 ID
• 自定义模型 ID（cm-xxxxx）不是 <name>-<primary_version> 形式，不能直接作为 +chat / +gen 的 --model；必须先通过 arkcli +deploy 获得 endpoint，拿 ep-xxx 才能调用推理。若该自定义模型已有 Running Endpoint，+deploy 会直接复用已有 endpoint

快速决策

• 用户问"我的自定义模型"：读 references/arkcli-custommodel-list.md，用 arkcli models custommodel list --mine
• 用户要按名称 / ID / base 模型 display name 模糊查找：读 references/arkcli-custommodel-list.md，用 list --search <kw>
• 用户已有 cm-xxxxx 并要状态 / 详情 / endpoint 引用 / artifact types：读 references/arkcli-custommodel-get.md，用 get
• 用户要从 TOS 导入权重：读 references/arkcli-custommodel-upload.md。用户已有 tos://... 时确认 TOS URI、base model 和名称；用户还没有 TOS URI 时先引导开通/上传 TOS，不要直接跑 upload
• 用户要改名 / 改描述：读 references/arkcli-custommodel-update.md，确认意图后用 update
• 用户要删除：读 references/arkcli-custommodel-delete.md，先查 active_endpoints，确认后再执行
• 用户要量化：先读 references/arkcli-custommodel-available-quantizations.md，再读 references/arkcli-custommodel-quantize.md

列表参数与输出契约

• custommodel list --sort-order 只接受小写 asc / desc。收到其他值时应把它视为本地参数错误，不要尝试调用接口或改成其他大小写后盲目重试。
• 使用 --format table 或 --format csv 时，每个 result.items[] 模型是一行；不要把分页响应根对象或 result map 当成模型记录。需要保留完整分页元数据时使用 JSON/YAML。

部署前的自定义模型目标澄清

仅当用户的最终目标是“把我的自定义模型部署成 Endpoint”、但没有给出唯一 cm-* 时执行本节；用户已明确给出 cm-* 时跳过。

1. 先执行同范围只读查询：arkcli models custommodel list --mine --statuses ready --page-all --page-delay 500 --format json。保留退出码与 stderr，不能把认证、权限或网络失败当作空清单；认证/权限错误按 shared 处理，不扫描凭证或自动切身份。
2. 候选只能来自本轮完整结构化结果。输出被宿主截断时，先读取工具保存的完整文件；确实没有完整捕获时，允许把同一只读查询的 stdout 重新落盘，stderr 单独保留，再用 jq / sed 检查 result.items 与分页信息。该同范围补查一轮最多执行一次，不循环重试。jq 空结果或字段缺失时先核对当前 reference 与原始 JSON，不盲猜字段、不凭记忆补 cm-*。分页未取全、补查仍失败或关键字段仍缺失时，说明具体边界并停止；拿全候选前不出选择题，更不执行部署。
3. 按 0 / 1 / N 收敛：
   • 0 个：停止，提示用户先 upload、量化或完成精调产物导出。
   • 1 个：复述该模型的 id / name / foundation_model / create_time，将它作为唯一目标转交 arkcli-deploy。
   • N 个：使用宿主提供的结构化选择能力，把每个候选的 id / name / foundation_model / create_time 直接列给用户选择；不要在通用 Skill 中写死某个宿主的工具名，也不要额外写死 Other 选项。
4. 唯一目标确定前，不执行 arkcli +deploy、arkcli infer endpoint create 或 Raw API。目标选择完成后转 arkcli-deploy，并继续遵守其写操作确认；选择模型本身不等于授权部署。

Agent 快速执行顺序

1. 不确定认证状态时，先 arkcli auth status
2. "我的自定义模型"语义：直接 custommodel list --mine，不要套 shared 的 Tags 默认过滤（custommodel 服务端原生支持 --mine）
3. 上传前必填三项：--name / --base-model <foundation-model-id> / --tos tos://<bucket>/<prefix>；缺任一会被服务端拒
4. upload / quantize 是异步任务：返回后用 custommodel get <id> 轮询 status，不要原地循环 upload/quantize
5. quantize 前必跑 available-quantizations <id>：不同 base model 支持的量化模式不同，盲传服务端会拒；若用户关心 token / 模型单元等部署形态，优先看返回里的 supported_inference_types_by_quantization
6. quantize --dry-run 只输出本地 preview.v1，不会调用 CreateQuantizedCustomModel；steps[].payload 只描述真实请求字段，不应出现后端 DryRun。它不是服务端校验，核对后仍需确认再执行真实量化
7. delete / update / quantize 是写操作，执行前向用户复述影响范围
8. delete 默认会走 [Y/N] 二次确认；--yes 表示跳过本地二确，--dry-run 表示只预览不删除。只有用户已经明确确认删除目标和影响范围后，agent 才能把 --yes 加到命令里
9. get --transform 是 custommodel get 自己的字段白名单，不是全局 GJSON 表达式；要查嵌套路径时不要把它当作全局 --transform

典型业务链路

1. 从 TOS 上传新自定义模型

auth status → custommodel upload --name X --base-model <fm-id> --tos tos://b/p
            → custommodel get <id>  （轮询直到 status=ready）
            → custommodel get <id> --transform 'artifact_types'  （看产物形态）

2. 量化已就绪的自定义模型

custommodel get <id>  （确认 status=ready）
        → custommodel available-quantizations <id>  （看支持哪些 mode）
        → custommodel quantize <id> --quantization <mode> --dry-run
        → 用户确认量化目标和影响范围
        → custommodel quantize <id> --quantization <mode>
        → custommodel get <new-id>  （量化结果是新 cm-xxxxx，再次轮询）

3. 准备给 +deploy 当目标

custommodel list --mine --statuses ready --page-all --page-delay 500 --format json
        → 按 0 / 1 / N 澄清唯一 cm-xxxxx
        → +deploy --model cm-xxxxx ...   （若已有 Running Endpoint 会复用；详见 ../arkcli-deploy/SKILL.md）

4. 清理不再使用的自定义模型

custommodel get <id> --transform 'active_endpoints'  （确认无 endpoint 引用）
        → custommodel delete <id> --dry-run
        → custommodel delete <id>  （交互二确）或 custommodel delete <id> --yes

反模式（agent 必读）

• 不要用 arkcli models search / list 找自定义模型 —— 那两条只走 FoundationModel 目录，自传模型一律不在里面。要找自传模型用 custommodel list --search <kw> 或 --mine
• 不要在 upload 之后立刻 quantize —— upload 是异步任务，status 经历 preparation → processing → ready；先 custommodel get <id> 确认 ready，再走 available-quantizations → quantize
• 不要给 quantize 传一个 available-quantizations 没列的 mode —— 不同 base model 支持的量化集合不同，盲传必失败。先 available-quantizations <id>，从返回里挑
• 不要把 cm-xxxxx 直接传给 +chat / +gen 的 --model —— 自定义模型必须先通过 +deploy 获得 endpoint（ep-xxx）才能推理调用；+deploy 可能复用已有 Running Endpoint
• 不要在多个 ready 自定义模型中自行挑一个部署 —— 先按“部署前的自定义模型目标澄清”让用户从本轮实时结果中选择
• 不要为了自动化主动补 --yes —— 没 --yes 时 CLI 会走 [Y/N] 二确；只有用户已经确认删除 cm-xxxxx 且知道 endpoint 引用风险时才带
• 不要在 "我的" 语义下走 shared 的 Tags 客户端过滤 —— custommodel list --mine 是服务端原生过滤，更准也更省请求
• 不要密集刷 get 来轮询 status —— 推荐间隔 ≥ 10s，否则会被限流

命令一览

命令	说明
arkcli models custommodel list	翻页 + 多维过滤
arkcli models custommodel get <id>	详情 / 轮询 status
arkcli models custommodel upload	从 TOS 导入（异步）
arkcli models custommodel update <id>	改名 / 改描述
arkcli models custommodel delete <id> [--yes] [--dry-run]	删除（破坏性，不可逆）；默认二确，--yes 跳过，--dry-run 预览
arkcli models custommodel available-quantizations <id>	查可用量化模式（quantize 前必跑）
arkcli models custommodel quantize <id> --quantization <mode> [--dry-run]	量化（异步）；--dry-run 仅本地预览，不调用后端

常见降级

• 认证失败：转 ../arkcli-auth/SKILL.md
• profile / region 看起来不对：转 ../arkcli-config/SKILL.md
• 找的是基础模型不是自定义模型：转 ../arkcli-models/SKILL.md
• 拿到自定义模型后要部署：转 ../arkcli-deploy/SKILL.md
• 产品命令未覆盖（例如想直接触发 customization job）：转 ../arkcli-api-explorer/SKILL.md

参考

• references/arkcli-custommodel-list.md
• references/arkcli-custommodel-get.md
• references/arkcli-custommodel-upload.md
• references/arkcli-custommodel-update.md
• references/arkcli-custommodel-delete.md
• references/arkcli-custommodel-available-quantizations.md
• references/arkcli-custommodel-quantize.md
• references/evals.md
• arkcli-models — 基础模型查询（与本 skill 是两套资源）
• arkcli-deploy — 拿到 ready 的自定义模型后部署成 endpoint
• arkcli-shared — 认证、全局 flag、安全规则