挂载受管目录

tp volume create acme/support-transcripts -d "二线工单，已脱敏"
tp volume push ./transcripts --name acme/support-transcripts
tp submit my-sft --profile h200:8 --volume acme/support-transcripts

作业在 $VOLUMES_DIR/support-transcripts 只读读取这些文件。除非所有者打开，没人能下载它们。

Volume 不是数据集

	Volume	数据集
版本	没有。当前内容就是它的内容	不可变的版本
引用	`<owner>/<name>`	`<owner>/<name>[@version]`
变更	文件原地增删	每次一个新版本
用于	内部文档、参考 PDF、一直在长的材料	一次完成的运行必须说得出名字的训练数据
下载	默认关闭，要所有者打开	任何能引用它的人都能取

volume 引用带版本后缀会在解析 spec 时被拒绝。格式错误的 id 同样，以及两个 volume 的叶子名会在同一个挂载路径上撞车的情况。

创建并填充

tp volume create acme/support-transcripts -d "二线工单，已脱敏"
tp volume create acme/refs --public                    # 任何已登录用户都能引用
tp volume push ./transcripts --name acme/support-transcripts
tp volume ls

tp volume push 上传目录下的一切，除掉操作系统和 Office 的杂物。链路快的话把 --concurrency 调高。删文件，或删整个 volume：

tp volume rm acme/support-transcripts -p old/2024 -p drafts
tp volume rm acme/support-transcripts --yes

指向你已有的存储

卷里不一定是平台放进去的字节。如果素材已经在贵组织自己运行的存储上——一个 MinIO 桶、一个 NAS 导出——管理员可以直接注册它，而不必复制一份。

tp volume ls

注册是几秒钟的事，复制五个 TB 是几小时到几天。两种方式的权限模型完全一样：可见性、下载和预览仍归属主所有，预览仍带水印并记入审计，作业仍以只读方式挂载它。有三件事不一样，而且都是刻意的：

平台从不写入它。 tp volume push、删除文件、清空卷都会被拒绝。素材属于它所在的存储，要改就在那里改。
删除卷删掉的是注册记录，不是文件。返回的计数会显示为一个对象。
由管理员注册。 平台向外触达到哪里是管理决定，而它所经由的连接会写明哪些路径可以被引用、哪些项目可以引用。

如果连接后来被删除或收窄，这个卷将无法解析，引用它的作业会在提交时就被拒绝——不是几小时之后，也绝不会变成读到一个空目录。数据卷可供预处理、清洗、转换、评估和训练作业读取。“允许作业使用”统一控制这些场景。

在控制台向用户开放目录

管理员打开 系统管理 → 存储连接，添加 S3 连接或已经挂载到主机上的文件系统目录。
设置允许开放的目录与项目，再测试连接。添加连接不会自动公开其中的内容。
在连接行点击 新建数据卷。选择允许开放的目录或填写子目录，设置名称与可见性。
按需开启预览，下载默认关闭。私有数据卷仅对所有者与管理员可见；公开数据卷仍受连接的项目范围限制。
可在数据卷上设置 允许使用的项目，进一步收窄连接范围。允许作业使用 独立于预览和下载；关闭后阻止新提交，不会停止运行中的作业或撤回已有副本。
用户在 数据 → 数据卷 浏览、预览获准访问的材料，再在作业中引用。连接行的 查看数据卷 可以筛选关联的数据卷。

文件系统数据卷不展示符号链接和特殊文件。控制台需要能访问该目录才能浏览和预览；将数据复制到作业工作目录的进程也需要访问权限。控制台连接测试成功，并不证明计算节点能访问同一个目录。只读访问防止修改源文件，但不能阻止作业代码将数据复制到日志、产物或网络请求中。预览内容也可以保存。更强的数据隔离需要执行环境限制这些出口，数据卷设置本身不提供这种保证。文件系统下载在明确开启后使用经过身份认证的数据流；控制台保存前会将文件缓存在浏览器中，大文件请使用 API 下载。

从作业里引用它

在 experiments/<experiment>/config.yaml 里声明，这是持久的写法。如果已有 data 段，将 volumes 合并进去，不要重复添加 YAML 键。脚本还必须支持这些平台字段，或在传给严格的训练参数构造器之前移除它们。 TRL SFT 配方请使用下方的 --volume，不要把 data 加到直接传给 SFTConfig 的配置文件中：

data:
  volumes:
    - acme/support-transcripts
    - bob/reference-pdfs

或者只覆盖这一次提交：

tp submit my-sft --profile h200:8 \
  --volume acme/support-transcripts --volume bob/reference-pdfs

每个都出现在 $VOLUMES_DIR/<叶子名>。从环境变量里读路径，永远不要硬编码。

import os, pathlib

root = pathlib.Path(os.environ["VOLUMES_DIR"]) / "support-transcripts"
for path in root.rglob("*.txt"):
    ...

引用了一个你看不到的 volume 的作业会在提交时被拒绝。这是有意的：一个空目录会让权限问题看起来像建模问题。

在预处理脚本中读取文件

以 acme/models 为例，作业内根路径是 $VOLUMES_DIR/models，不是 $VOLUMES_DIR/acme/models，也不是管理员配置的 NAS 路径。 VOLUMES_DIR 由平台在作业环境中设置，本机终端通常没有这个变量。在控制台进入子目录，点击 使用当前目录，使用指导会生成对应的配置和 Python 示例。声明数据卷只是让文件可用，具体读取哪些文件由脚本决定。

import os
from pathlib import Path

source = Path(os.environ["VOLUMES_DIR"]) / "documents" / "incoming"
output = Path(os.environ["TUNEPLANE_OUT_DIR"]) / "processed"
output.mkdir(parents=True, exist_ok=True)

for path in source.glob("*.txt"):
    text = path.read_text(encoding="utf-8").strip()
    (output / path.name).write_text(text, encoding="utf-8")

此示例需要挂载 acme/documents，并在 incoming/ 下放置文本文件。处理结果写到只读源目录之外。如果提交时指定了 --output-dataset，数据集文件应改为写入 $TUNEPLANE_DATASET_OUT_DIR。

使用数据卷中的模型训练

假设 acme/models 下有 my-model/config.json、分词器文件和完整的权重分片。先挂载 acme/models，再在 训练脚本内部 解析模型目录：

import os
from pathlib import Path
from transformers import AutoModelForCausalLM, AutoTokenizer

model_dir = Path(os.environ["VOLUMES_DIR"]) / "models" / "my-model"
tokenizer = AutoTokenizer.from_pretrained(str(model_dir), local_files_only=True)
model = AutoModelForCausalLM.from_pretrained(str(model_dir), local_files_only=True)

将得到的模型和分词器传给训练器。示例适用于 Transformers 兼容的文本生成模型；作业环境需要安装兼容的依赖，多模态等其他架构应使用对应的加载类。能列出目录不代表模型文件完整，也不代表运行环境支持该模型。训练检查点写入 $TUNEPLANE_OUT_DIR，不要写回只读模型目录。

使用 TRL SFT 配方

生成的 experiments/<experiment>/train.py 会将 args.model 传给 SFTTrainer。如果需要传入作业内的环境变量路径，在 你自己的脚本副本 中，紧接 args = parser.parse_args() 后添加：

import os

args.model = os.path.expandvars(args.model)

提交时同时传入数据卷和用单引号包裹的模型路径：

tp submit my-sft --profile h200:1 \
  --volume acme/models \
  --model '${VOLUMES_DIR}/models/my-model' \
  --train-data data/train.jsonl \
  --validation-data data/validation.jsonl

将实验名、硬件配置和训练数据路径替换为实际值。单引号让本机终端保留变量，新增的脚本代码负责在作业内展开它。未修改脚本时，不要假设 --model 或框架的 YAML 加载器会自动展开环境变量，不同配方的配置加载方式不同。只挂载数据卷不会自动选择模型，也不会替你配置训练数据。

大型模型库按需要拆分

引用数据卷会挂载它的 整个目录。脚本读取 models/my-model 不等于只挂载这个子目录。使用拉取方式的连接会在启动前将数据卷同步到作业存储；管理员配置了可直接访问的文件系统视图时，可以省去这次复制。模型库包含数百 GB 的其他模型时，建议将需要的模型子目录单独注册为外部数据卷。例如，将 my-model/ 注册为 acme/my-model，作业内通过 $VOLUMES_DIR/my-model 读取。这样也可以单独授权该模型，而不向用户开放同级的其他模型。

哪些后端能挂

Fleet kind	能挂 volume	怎么挂
`node`	能	每个节点上同一路径的同一个文件系统
`kubernetes`	仅配了 `TUNEPLANE_K8S_VOLUME_PVC` 时	挂在 `/volumes` 的只读 claim
`slurm`	不能	平台不控制镜像的 bind 列表

在挂不了的后端上，提交会被拒绝并点名那个设置，而不是启动一个挂载点是空的作业。

让一个文件变成人能读的东西

两个权限，都属于所有者，都默认关闭：

权限	允许什么
`allow_download`	把字节取出来。这是材料按设计离开平台的唯一通路
`allow_preview`	控制台一次内联渲染一个文件。每次读取都被审计

它们互相独立。列出结构 —— 文件名、大小 —— 对任何能引用这个 volume 的人始终可见；内容不是。

从一个 volume 产出数据集

读一个 volume 并把结果发布出来，这叫 Processing Run：你的代码，在平台上跑，带溯源。

tp submit my-prep --profile h200:1 \
  --volume acme/support-transcripts \
  --output-dataset acme/support-sft@v1

作业往 $TUNEPLANE_DATASET_OUT_DIR 里写，运行成功后由平台发布。作业从不持有注册表凭据，发布出的数据集继承它所读材料的分级。这也是清洗一个 volume 的方式：读、处理、发布。平台从不改写你上传的东西。

确认成功

tp volume ls 会显示这个 volume 和它的文件数。在运行中的作业里：

ls -la "$VOLUMES_DIR"

挂载是只读的，所以往那里写会失败 —— 那是挂载在正常工作，不是 bug。

Volume 防不住什么

如果你的代码能读到明文，任何存储控制都挡不住外带。一个能打开 PDF 的脚本，就能把它 base64 到自己的 stdout 里。Volume 真正强制的是：allow_download 关着时没有下载路由，allow_preview 关着时没有预览路由，打开时每读一个文件留一条审计，只读挂载，一条被审计的引用记录，以及没有批量日志下载。每一条出去的路都是某个人做过的决定和某个人能找到的记录。把材料完全挡在集群之外，是部署方的出网策略，不是这个功能。

下一步

数据集 · 提交作业 · 数据页

开始

核心概念

训练模型

评测与服务

Agent 环境

扩展平台

协作

集成

参考

帮助

挂载受管目录

Volume 不是数据集

创建并填充

指向你已有的存储

在控制台向用户开放目录

从作业里引用它

在预处理脚本中读取文件

使用数据卷中的模型训练

使用 TRL SFT 配方

大型模型库按需要拆分

哪些后端能挂

让一个文件变成人能读的东西

从一个 volume 产出数据集

确认成功

下一步

​Volume 不是数据集

​创建并填充

​指向你已有的存储

​在控制台向用户开放目录

​从作业里引用它

​在预处理脚本中读取文件

​使用数据卷中的模型训练

​使用 TRL SFT 配方

​大型模型库按需要拆分

​哪些后端能挂

​让一个文件变成人能读的东西

​从一个 volume 产出数据集

​确认成功

​下一步

Volume 不是数据集

创建并填充

指向你已有的存储

在控制台向用户开放目录

从作业里引用它

在预处理脚本中读取文件

使用数据卷中的模型训练

使用 TRL SFT 配方

大型模型库按需要拆分

哪些后端能挂

让一个文件变成人能读的东西

从一个 volume 产出数据集

确认成功

下一步