实测机：AutoDL；数据盘（约 150G）+ 系统盘（约 30G）；GPU 阶段为6006（官方示例常用 6666，二者等价，以本教程为准）无 GPU 阶段（clone + 主权重 + 三块骨干）与 GPU 阶段（conda + cu128 torch + serve 6006 +）均已完成并通过验收。

中，防止 API Key 被提交到代码仓库。这是最常用的方法，可以避免全局污染，也方便团队协作。有些框架（如 LangChain）也会自动加载。在你的主脚本（或入口文件）最开始的地方，加入。文件，但手动调用是最稳妥的。动态加载秘钥，核心就是。

Linux 中使用 Python 的习惯与 Windows 略有不同，主要表现为。命令，建议使用别名方式（仅对当前用户生效）；若不支持，则可通过软链接全局生效。为了避免由此引发的环境不一致或脚本执行错误，建议将。通常可通过起别名或创建软链接的方式实现统一。

配套目录：0. 目标态与验收标准重建成功需同时满足：权重约 70GB（A–F）+ libero_goal hdf5 ~6GB + 输出数 GB；建议数据盘空闲 ≥100GB。评测环境变量：安装 Miniconda 到 （若无）。确认为 12.8。2. 获取代码与重建制品必须同步本机与本手册到新机同路径（官方仓库不含这些文件）。若制品在数据盘根目录，执行：权重建议另下或，不要打进小 tar。3.2

本系统用于同时采集多个传感器的数据（如力觉、触觉、视觉等），并将数据按时间对齐后统一保存，以便后续用于遥操作、模型训练或数据分析。系统采用多线程架构，每个传感器拥有独立的采集线程，通过共享数据缓冲区和锁机制保证线程安全，并提供统一的启动、停止和保存接口。

，后续在 LLaMA-Factory 配置文件或 Web UI 中设置模型路径时，直接指向该本地目录即可，框架会自动读取。LLaMA-Factory 提供 Web UI 可视化界面，操作直观，适合快速体验与调试。模型可从 Hugging Face 或 ModelScope 下载。模型 ID 格式为“组织/模型名”，如。仅克隆最新版本，可节省时间和空间。适合网络不稳定环境，操作稳定可控。正常显示版本

从零到冒烟跑通的完整操作步骤见。

本文档带你，一步步完成：环境搭建 → 蒸馏数据生成 → 全量微调 → 推理验证，直到与当前项目的状态。理论背景见第一~二节；代码设计见第七节。

教师模型不可见（如闭源 API），无法获取中间层特征，只能获得输入和输出的数据。

使用实现了我的目的，但是使用却没有成功运行脚本，这是为什么呢？