cann-recipes-infer 社区任务清单

以下任务清单基于 cann-recipes-infer 仓库当前结构整理，面向社区开发者发布，开发者可选择任一任务提交 Issue 或 PR。

样例 README 可复现性检查

脚本、配置与依赖一致性检查

一站式平台体验与快速启动完善

Patch 与第三方框架适配检查

自定义算子编译与运行体验

executor 推理框架与公共模块检查

全仓规范与基础质量检查

生态共建建议与未来方向

cann-recipes-infer 社区任务清单

本文档面向外部社区开发者整理 cann-recipes-infer 开源共建任务。任务按“由浅入深”的参与路径设计，开发者可以先从阅读代码和文档开始，通过 Issue 反馈问题；也可以在本地部署样例、复现推理流程；进一步还可以基于仓库已有 skill、框架、公共能力和模型样例结构，贡献新的模型适配代码。

推荐参与路径如下：

初级任务：文档捉虫与基础质量检查

本阶段希望开发者先通过阅读仓库文档、脚本和配置，查找低门槛、易验证的问题，例如错别字、链接失效、命令不一致、配置字段说明不清晰、依赖版本描述缺失等。建议优先通过 Issue 说明问题位置、现象和修改建议；如果可以直接修复，欢迎提交 PR。

中级任务：样例部署、复现与机型体验反馈

本阶段希望开发者真正运行仓库中的样例，反馈部署和复现过程中遇到的问题。问题范围可以比较广，包括 README 步骤是否可复现、一站式平台是否能快速启动、自定义算子是否能完成编译和运行，以及在不同硬件机型、软件版本、驱动/CANN 版本上使用代码时发现的问题和修改点。

提交体验类 Issue 时，建议尽量包含硬件环境、软件版本、模型名称、操作步骤、配置修改、完整报错、日志片段、实际输出和期望输出；如果已经定位到修复方式，欢迎直接提交 PR。

进阶任务：新模型样例与框架能力扩展

本阶段希望开发者在已有能力基础上参与代码共建。仓库已经沉淀了模型样例目录、推理启动脚本、配置模板、LLM 推理框架、公共模块、自定义算子目录和相关 skill 能力，社区开发者可以基于这些基础补充仓上未覆盖的模型代码，共同丰富模型多样性。

建议在提交新模型 PR 前先通过 Issue 描述模型价值、目标硬件、依赖框架、权重来源、License 风险、复现步骤和计划修改范围，便于社区讨论和协同。

Issue / PR 提交建议

cann-recipes-embodied-ai 社区任务清单

本文档面向外部社区开发者整理 cann-recipes-embodied-ai 开源共建任务。仓库覆盖 manipulation、world_model、navigation、locomotion、3d_vision 五大具身智能场景，提供训练、在线推理、OM 离线推理多种样例。任务按"由浅入深"的参与路径设计，开发者可以先从阅读代码和文档开始通过 Issue 反馈问题；也可以在本地部署样例、复现推理或训练流程；进一步还可以基于仓库已有公共能力和样例结构，贡献新的优化手段、模型适配或真机部署样例。

推荐参与路径

初级任务：文档捉虫与基础质量检查

本阶段希望开发者通过阅读仓库文档、脚本和配置，查找低门槛、易验证的问题，例如错别字、链接失效、命令不一致、配置字段说明不清晰、依赖版本描述缺失、README 步骤不可复现等。建议优先通过 Issue 说明问题位置、现象和修改建议；如果可以直接修复，欢迎提交 PR。

仓库基础质量检查

样例 README 可复现性检查

中级任务：样例部署、复现与机型适配反馈

本阶段希望开发者真正运行仓库中的样例，反馈部署和复现过程中遇到的问题。问题范围包括一站式平台是否能快速启动、Ascend 310P / OrangePi 等边缘机型上的样例是否能完成 OM 转换与离线推理、以及在不同昇腾机型、CANN 版本、torch-npu 版本组合下使用代码时发现的问题和修改点。

提交体验类 Issue 时，建议尽量包含硬件机型、卡数、驱动 / CANN 版本、Python / PyTorch / torch-npu 版本、模型名称、操作步骤、配置修改、完整报错、日志片段、实际输出和期望输出；如果已经定位到修复方式，欢迎直接提交 PR。

一站式平台快速启动完善

Ascend 310P 样例维护

跨硬件机型与版本适配反馈

进阶任务：优化手段、公共能力、真机部署与新模型共建

本阶段希望开发者在已有公共能力基础上参与代码共建。仓库已经沉淀了样例目录结构、推理与训练脚本、module/dit_cache 通用缓存能力、VGGT 量化路径与部分模型的融合算子优化，社区开发者可以基于这些基础贡献新的优化手段、抽取公共算子库、补充真机部署 demo 或新增模型样例。

建议进阶任务在提交完整 PR 前，先通过 Issue / RFC 描述方案、目标硬件、依赖框架、权重来源、License 风险、计划修改范围与预期交付，便于社区讨论和协同。

优化手段使能

公共模块与算子库抽取

真机部署与端到端 Demo 共建

新模型样例适配

Issue / PR 提交建议

提交 Issue 或 PR 时，建议按场景包含以下信息，便于社区快速理解、定位与协同。

AMCT Pytorch 社区任务清单

本文档根据 amct/amct_pytorch 仓库当前结构整理，将社区任务按难度从低到高分为三类。开发者可以先从阅读代码和文档开始，通过 Issue 反馈问题。

推荐参与路径如下：

低级任务

中级任务

高级任务

cann-recipes-train 社区任务清单

本文档面向外部社区开发者整理 cann-recipes-train 开源共建任务。开发者可以先从阅读代码、文档和训练配置开始，通过 Issue 反馈问题；也可以在集群或一站式平台中部署训练样例、复现训练流程；进一步还可以基于仓库已有训练框架、公共能力、模型样例和优化特性，贡献新的样例。

推荐参与路径如下：

初级任务：文档捉虫与基础质量检查

本阶段希望开发者先通过阅读仓库文档、脚本和配置，查找低门槛、易验证的问题，例如错别字、链接失效、命令不一致、目录说明不完整、配置字段说明不清晰、依赖版本描述缺失、环境变量命名不统一等。建议优先通过 Issue 说明问题位置、现象和修改建议；如果可以直接修复，欢迎提交 PR。

中级任务：训练样例部署、复现与环境体验反馈

本阶段希望开发者优先体验仓库中门槛较低的训练样例。考虑到外部开发者不一定具备完整昇腾训练集群，建议优先选择一站式平台快速启动路径、单卡样例或只需要少量配置改动的入门样例；如果暂时没有可运行环境，也可以从启动入口、默认参数、依赖安装、数据准备、日志说明和结果验证链路入手，反馈文档和脚本层面的可复现性问题。

提交体验类 Issue 时，建议尽量包含是否使用一站式平台、是否具备本地昇腾环境、硬件环境、卡数、驱动/CANN 版本、Python/PyTorch/torch-npu 版本、框架版本、模型名称、训练算法、操作步骤、配置修改、完整报错、日志片段、实际输出和期望输出；如果仅做文档或脚本检查，也可以说明尚未实际运行以及无法运行的原因。

进阶任务：新模型样例、训练算法与框架能力扩展

本阶段希望开发者在已有能力基础上参与代码共建。仓库已经沉淀了 LLM RL、Agent RL、多模态、SFT、预训练等样例，社区开发者可以基于这些基础补充仓上未覆盖的模型训练代码、训练算法、优化特性和标准模板。

建议在提交新模型或新算法 PR 前先通过 Issue 描述模型价值、目标硬件、依赖框架、权重来源、数据来源、License 风险、复现步骤、性能目标和计划修改范围，便于社区讨论和协同。

Issue / PR 提交建议

参考VGGT和Pi0这两个已提供一站式平台支持的样例，利用一站式平台部署具身仓上已有的单卡推理样例（如Hy3D），转化为仓上的一站式平台可体验样例。
将部署时遇到的问题以Issue形式提出，相应的解决方案和最终的部署脚本、文档以PR形式提出。

【中级任务】

1. 复现 qwen3 sft 一站式平台样例；
2. 在此基础上修改数据集相关配置，参考ShareGPT数据集准备，将原有alpaca格式训练修改为shareGPT格式训练，支持Roleplay多轮对话训练；
3. 需要提交完整训练日志，将复现训练过程时遇到的问题以issue形式提出，相应的解决方案、文档和新增数据集支持以PR形式提出。

【高级任务】

1. 支持qwen3 模型DPO训练，参考指导文档Offline DPO。需要开发者提供数据处理脚本和训练启动脚本，需要提交完整训练日志和相关样例代码，将调试过程中遇到的问题以issue形式提出，相应的解决方案和训练样例以PR形式提出。
2. 支持qwen3 模型SFT lora训练，参考指导文档LoRA 微调迁移开发。需要开发者提供LoRA微调脚本，LoRA推理脚本，LoRA权重与Base权重的合并与转换三个部分，需要提交完整训练日志和相关样例代码，将调试过程中遇到的问题以issue形式提出，相应的解决方案和训练样例以PR形式提出。

1. 参考Amct_Pytorch中提供的Qwen3.6-MoE和DeepSeek-V4的一站式样例，利用云平台进行上述两个模型的推理、精度估计、量化等，将进行过程中遇到的问题以Issue形式提出，相应的解决方案和最终的部署脚本、文档以PR形式提出。
2. 以上述一站式样例为基础，尝试不同的算法实现，不同算法实现过程中遇到的问题以Issue形式提出，算法流程优化等以PR的形式提出。
3. 对已支持的模型，结合仓上已有量化算法，实现4bit下ppl在0.1以内的掉点，训练参数以及算法选择以Issue形式提出，文档以及一站式样例以PR形式提出。

infer仓具体任务：
1、HunyuanVideo 推理性能数据采集与特性收益分析：在单卡和多卡场景下，HunyuanVideo 从基础版本到逐步启用 NPU 推理优化特性的性能变化。开发者需要按照统一的测试配置，分别采集不同优化阶段的端到端耗时、吞吐、显存占用等指标，并记录每个特性带来的性能收益。
2、参考 SanaVideo 一站式平台样例，建设 Wan2.2 与 HunyuanVideo 多卡样例：希望社区开发者参考现有 SanaVideo 一站式平台样例，进一步补齐 Wan2.2 和 HunyuanVideo 的多卡推理样例，保证功能和精度正常。以PR形式合入。