Checkpoint 管理

训练产出两种 checkpoint，内容与用途不同。

类型	路径格式	包含内容	用途
State	tinker://<session>/weights/<name>-state	模型权重 + optimizer 状态	恢复训练（续训）
Sampler	tinker://<session>/sampler_weights/<name>-sampler	仅模型权重	推理 / 评测

两种路径都可在训练页的版本记录与最近训练产物列表中找到。

恢复训练（增量续训）

训练页支持从上一版本的 state_path 续训。

import mint

sc = mint.ServiceClient()

# 仅恢复权重（optimizer 重置，适合换数据集）
training_client = sc.create_training_client_from_state(state_path).result()

# 恢复权重 + optimizer（真正续训，保持 Adam 动量）
training_client = sc.create_training_client_from_state_with_optimizer(state_path).result()

在 MindForge 训练面板中，用 --resume-state 指定上一版本的 state_path，加 --resume-with-optimizer 实现保留 Adam optimizer 状态的完整续训。

从 checkpoint 到推理

Sampler checkpoint 已可直接推理——把其路径作为 model 字段传入。三种推理方式见 使用训好的模型。