错误码

公共 API 的每个拒绝都是一个 JSON 对象，包含稳定的 code、可读的 message 和本次调用的 request_id。平台知道你该改什么时，还会给出 hint 和 details。details 是扁平记录，写明受影响的任务和关键数值，例如大小和上限。el 会把它们全部打印出来。

{
  "code": "DATASET_TASK_ARCHIVE_TOO_LARGE",
  "message": "Task acme/claims-0042: The task archive is 40.0 MiB; a task archive can be at most 16 MiB.",
  "hint": "Move large files out of the task directory (into the Runner or the task image), or split the task, then publish a new Dataset version.",
  "details": [{"member_index": 3, "task": "acme/claims-0042", "size_bytes": 41943040, "limit_bytes": 16777216}],
  "request_id": "6f1c…"
}

请按 code 分支处理，不要按 message。消息文字可能调整，错误码不会改名。遇到不认识的错误码时，它仍然带有消息和 HTTP 状态，可参考 HTTP API 中的状态表。

提交 Job

提交时平台会在创建 Job 之前逐个检查任务。被拒绝的提交不会创建 Job，修正输入后重新提交即可。

错误码	HTTP	含义	处理方式
DATASET_TASK_ARCHIVE_TOO_LARGE	422	某个任务发布的压缩包超过了单任务 16 MiB 的下发上限。details 中有 size_bytes 和 limit_bytes。	把大文件移出任务目录：工具和模型放进 Runner 或任务的容器镜像，大数据在运行时下载。也可以拆分任务。然后发布新的 Dataset 版本再提交。
DATASET_DELIVERY_KEY_MISMATCH	422	某个任务发布的压缩包记录不属于所选的 Dataset 版本、配置、split 和任务。	重新发布该 Dataset 版本。如果仍然出现，请报告 request ID。
DATASET_DELIVERY_INVALID	422	某个任务的压缩包记录不完整或格式错误。details.reason 说明是哪一部分：delivery_missing、size_invalid、sha256_invalid、fields_unexpected、url_not_allowed、reference_invalid 或 name_invalid。	用当前版本的 EnvHub 客户端重新发布该 Dataset 版本。name_invalid 表示 Dataset、版本、配置、split 或任务名使用了字母、数字、.、_、- 以外的字符。
INVALID_RUNNER_ENVIRONMENT	422	Runner 或 Task 的 [environment] 表中有无效的值，消息会写明字段。	修正该字段并发布新版本。
RUNNER_UNAVAILABLE	422	平台因意外原因无法准备某个任务。details 写明是哪个任务。	重试一次。如果再次出现，请报告 request ID，运维人员能看到完整诊断。
DATASET_CONFIG_REQUIRED	409	该 Dataset 有多个配置且没有默认配置。	加上 --config NAME。
COMPOSE_RUNNER_DISABLED	422	本平台未启用 compose（多容器）Runner。	请平台运维为你的项目启用，或改用非 compose Runner。
COMPOSE_RUNNER_DENIED	422	该 compose Runner 版本、项目或任务形态未获批准。	请平台运维批准，或选用已批准的 Runner（el runner list）。
COMPOSE_TASK_REQUIRED / COMPOSE_RUNNER_REQUIRED	422	compose Runner 需要多容器任务，多容器任务需要 compose Runner。	让 Runner 与 Dataset 匹配。
AGENT_PROFILE_DENIED	422	Profile 的 Agent、模型或预算参数不被接受，消息会说明是哪一项。	修正 Profile（el profile get）后重新提交。
MODEL_ACCESS_DENIED	422	该 Runner 在本项目开通了模型访问，而 Job 设置了显式 command。开通只覆盖 Runner 自己的入口。	去掉 --command 再提交，或请项目 Admin 撤销开通。
MODEL_ACCESS_PROVIDER_UNSUPPORTED、MODEL_ACCESS_UNAVAILABLE	422	该 Runner 在本项目开通了模型访问，但 Job 固定了无法交付 Key 的 provider，或此时读不到开通记录。没有创建 Job。	提交时不要固定 provider，或稍后重试。见 Runner 的模型访问。
UNSUPPORTED_CAPABILITY、DIND_UNAVAILABLE、TEMPLATE_NOT_READY	422	所选执行环境暂时无法运行这种 Runner 或任务形态，消息会说明原因。	调整资源、超时或类型；TEMPLATE_NOT_READY 稍后重试；否则报告 request ID。

Train Job 提交被拒绝时返回下列错误码，不会创建 Job：

错误码	HTTP	含义	处理方式
INVALID_TRAIN_JOB_SPEC	422	请求不符合配方的 schema：某个字段、取值或记录无效，两个字段互相冲突，或者同时设置了 dataset 和 records。details 列出每个出错的字段（适用时带 record_index 或 member_index）和规则，不包含提交的值。	按 details 修改对应字段，有 hint 时照它操作。再对照 GET /v1/training-models 返回的 request_schema 检查请求。
TRAINING_DATA_UNAVAILABLE	422	训练数据引用无法读取：dataset 不是本项目的 record Dataset 版本、没有这个 split、已经下线，或与固定的 manifest_sha256、sha256 或 row_count 不一致。	用 el data list --type dataset 核对 Dataset 和 split 名称，再重新提交。
TRAINING_DATA_TOO_LARGE	422	所选 Dataset split 超过了单个 Train Job 的读取上限：64 MiB 或 10,000 行。	把数据拆到多个 Job，或从 parent checkpoint 继续训练。
TRAIN_JOB_IDEMPOTENCY_CONFLICT	409	这个 request_id 已经属于输入不同的 Train Job。	重新发送原请求，或换一个新的 request_id。

16 MiB 上限由平台固定。通过平台的 EnvHub 发布流程（envhub:deploy）发布 Dataset 时，超过上限的任务现在会在上传前被拒绝；更早发布的版本里仍可能有这样的任务。

较旧的平台版本对这三种下发错误统一返回 INVALID_DATASET_DELIVERY，有些拒绝只返回通用的 INVALID_REQUEST。

Trial 失败

已经开始运行的 Trial 失败时会记录自己的 error 错误码。el job get、el job result 和 el trial get 会为每个失败的 Trial 打印一行，例如：

Trial trial_01… failed: EXECUTOR_INTERNAL_ERROR during scheduling - PermissionError: [Errno 13] Permission denied

JSON 中有同样的字段：error、error_message（平台记录了原因时提供的一行文字）和 failed_phase（Trial 失败时所处的阶段：scheduling 或 running）。Job 事件中也带有这些字段。Train Job 的错误码同时出现在 Job 的 training.error_code 中。

错误码	含义	处理方式
EXECUTOR_INTERNAL_ERROR	平台在准备或运行 Trial 时遇到意外错误。error_message 给出错误类型。这不是你的任务导致的。	重试该 Job。如果再次出现，请报告 Job ID 和时间，运维人员能看到完整诊断。
EXECUTOR_PERMISSION_DENIED、EXECUTOR_FILE_NOT_FOUND、EXECUTOR_IO_ERROR、EXECUTOR_TIMEOUT	平台无法读写自己的某个文件或目录，或平台操作超时。这是平台问题，不是你的任务导致的。	报告 Job ID 和时间；运维修复前重试通常会以同样方式失败。
DATASET_DELIVERY_UNAVAILABLE	平台无法为任务下载签发授权。	稍后重试；持续出现请报告。
TIMEOUT	Trial 运行时间超过了时限。	调大 Runner 的超时时间，或让任务更快完成。
SANDBOX_START_FAILED	平台已为 Trial 创建沙箱，但它没有启动：启动过程中停止、镜像没有可用的 /bin/sh，或执行环境让它等待超过了平台的启动上限（例如没有容量，或大镜像拉取太慢、无法拉取）。沙箱已删除，没有运行任何内容，不计费。这是基础设施失败，不是你的任务导致的。	用新的 request_id 重新提交。同一 Runner 反复出现时，确认其镜像是公开的或平台可以拉取，再报告 Job ID。
EXECUTION_QUEUE_TIMEOUT	Trial 或 Train Job 等待执行名额的时间超过了平台的排队上限，默认 30 分钟（平台设置 EXECUTION_QUEUE_TIMEOUT_SEC）。执行 provider 或项目并发 Trial 上限已满时，Agent 或 Sandbox Trial 会排队。等待本 Job 预算的时间不计入。有多个 Trial 的 Train Job 中，后面的 Trial 等前一个 Trial 结束，上限从那时开始计时。没有运行任何内容，也没有分配 GPU。	稍后用新的 request_id 重新提交。
TRAINING_TIMEOUT	Train Job 的 Trial 达到了配方的时间上限，平台停止了它。上限从 Trial 开始时计时，同一个 Job 的每个 Trial 都有完整的上限，排队时间不计入。Job 和 Trial 以 failed 结束。你主动停止的 Job 以 cancelled 结束，不带这个错误码。	从 GET /v1/training-models 读取该配方的 limits.timeout_seconds（见运行时长上限）。减少 max_steps、记录数或 max_length，再用新的 request_id 提交新 Job。
RUNNER_COMMAND_FAILED	Runner 命令以错误退出。	用 el job log JOB_ID 查看 Trial 日志。
MODEL_ENV_SETUP_FAILED	沙箱已启动，但没能收到 Runner 的模型凭据文件。这是基础设施故障，不是任务本身的结果。	用新的 request_id 重新提交；反复出现时报告 Job ID。
MODEL_ACCESS_UNAVAILABLE、MODEL_ACCESS_PROVIDER_UNSUPPORTED、LLM_KEY_UNAVAILABLE	该 Runner 在本项目开通了模型访问，但平台此时无法为这个 Trial 提供。没有启动任何资源。	查看项目执行设置里的 model_access，再联系平台运营方。见 Runner 的模型访问。
BUDGET_EXCEEDED	Job 达到了 budget.max_cost_usd。对 Train Job，也表示某个 Trial 因为剩余预算不够跑满它的整个时长上限而没有启动。Trial 以 cancelled 结束；被停止的 Train Trial 不登记 Checkpoint。	查看 Job 的 cost。Train Job 可以把上限和 GET /v1/training-models 返回的 limits.max_trial_cost_usd 比较，然后用新的 request_id 提交新 Job，提高上限或减少 Trial 数（Train Job 的花费上限）。
BUDGET_UNMETERED	Job 的部分用量，或 Train Job 配方的 GPU，没有价格，所以上限无法执行。没有启动新的内容。	不带上限重新提交，或报告 Job ID。
INSUFFICIENT_BALANCE	工作区可用余额不足以支持本次运行。Inference Job 或端点被拒时，details 给出副本需要预先预留的金额（见提交 Inference Job）。	请具备账务权限的工作区成员检查后重试。
EXECUTION_FAILED	该失败没有公开的错误码。	查看 Trial 日志；日志无法说明原因时请报告 Job ID。

错误消息从不包含 URL、文件路径、存储键或凭据。如果不暴露这些就无法说得更具体，平台只给出错误类型，详细信息留给运维人员。

Train Job 失败

失败的 Train Job 在 training.error_code 中给出错误码，它的 Trial 在 error 中带同一个错误码。Trial 的 failed_phase 在训练开始运行之前失败时为 scheduling，之后为 running。error_message 是这个错误码对应的固定说明。上文的 TRAINING_TIMEOUT、EXECUTION_QUEUE_TIMEOUT 和 INSUFFICIENT_BALANCE 同样适用。

错误码	含义	处理方式
GPU_JOB_FAILED	GPU 任务失败。failed_phase 为 scheduling 时训练从未开始，例如没能拿到 GPU；为 running 时训练进程出错退出。	scheduling：稍后用新的 request_id 重新提交，这是平台或容量问题，与你的数据无关。running：用 el job log JOB_ID --source runtime 查看训练错误，修正数据或参数。日志无法说明原因时请报告 Job ID。
CHECKPOINT_NOT_DURABLE	训练已经完成，但 checkpoint 没能保存到持久存储。	报告 Job ID。如果现在就需要 checkpoint，用新的 request_id 重新提交。
BATCH_INPUTS_UNAVAILABLE	平台无法准备训练输入，没有分配 GPU。training.error_detail 指出出错的输入、记录和规则。	修正指出的记录或参数，提交新 Job。
BATCH_DRY_RUN_NOT_EXECUTED	仅出现在不使用 GPU、只规划 Train Job 的部署上：输入已经打包，没有启动 GPU 任务。Job 以 cancelled 结束。	无需处理；需要真实训练时使用能运行训练的部署。
PRICE_MISSING	配方需要的 GPU 在本平台没有价格，无法预留。	联系平台支持。
RESERVATION_CONFLICT	Trial 的计费预留与已有预留冲突。	用新的 request_id 重新提交；反复出现时报告 Job ID。
TRAINING_BILLING_REQUIRED	该工作区没有可用的训练计费，Trial 没有启动。	联系平台支持。
TRAINING_BACKEND_UNAVAILABLE	本平台没有开放 Runner 训练，Trial 没有启动。	联系平台支持。
PROFILE_AUTHORIZATION_UNAVAILABLE	Trial 的 Profile 输入不再对本项目授权，Trial 没有启动。	检查 Profile（el profile get）及其输入，再重新提交。
TRAIN_RUNNER_LAUNCH_REJECTED	平台拒绝启动 Runner 训练容器。	对照 Runner 训练 检查 Runner 和资源，再重新提交。
TRAIN_RUNNER_TIMEOUT	Runner 训练容器运行超过了时限，被停止。	调大 timeout_seconds，或缩短训练。
TRAIN_RUNNER_PROCESS_FAILED	Runner 训练命令以非零退出码结束。	用 el job log JOB_ID 查看 Trial 日志。
TRAIN_RUNNER_RESULT_INCOMPLETE	Runner 训练容器结束时没有完整结果。	查看 Trial 日志，确认命令写出了声明的输出。
TRAIN_RUNNER_OUTPUTS_FAILED	无法收集 Runner 声明的输出。	检查 execution.outputs 和命令写出的文件。
TRAIN_RUNNER_CHECKPOINT_FAILED	无法登记 Runner 的 checkpoint 输出。	对照 Runner 训练 检查 checkpoint 输出。
NATIVE_TRAIN_FAILED、NATIVE_TRAIN_INTERRUPTED	仅限本地部署：进程内训练失败，或被重启打断。	用新的 request_id 重新提交。
TRIAL_CLEANUP_UNKNOWN	平台无法确认 Trial 的资源已经释放。	报告 Job ID；不要假设资源已经释放。

等待与待确认状态

这些错误码说明 Job 还没有结束，它们不是失败。

错误码	出现位置	含义	处理方式
EXECUTION_RECONCILING	未结束 Trial 的 error；Train Job 的 training.error_code	平台正在向 provider 核实某个 Trial 的执行结果，例如平台重启之后。核实完成前 Job 状态为 unknown。	不要重复提交相同的工作。稍后再读取 Job，结果确认后它会变为实际状态。
BATCH_PROVIDER_UNAVAILABLE	未结束 Train Job 的 training.error_code	平台无法从 provider 读取 GPU 任务的状态。读取成功前 Job 状态为 unknown。	同 EXECUTION_RECONCILING。

unknown 不是最终状态。只要 Job 有未结束的 Trial 带 EXECUTION_RECONCILING，或 Train Job 带上面两个错误码之一，Job 就显示 unknown。正在取消或已经结束的 Job 保持原来的状态。

服务超时

API 背后的平台服务没有应答时，API 返回这些错误码。

错误码	HTTP	含义	处理方式
UPSTREAM_TIMEOUT	504	API 已经转发请求，但平台没有在时限内应答。请求可能已经被处理。	重试写操作前先查看资源。提交 Job 时先查看 el job list。如果提交带有 request_id，也可以原样再次提交：相同的重试会返回已经存在的 Job。
CANCELLATION_TIMEOUT	504	停止请求没有在时限内得到确认。Job 可能仍在停止中。	再次停止前先查看 Job 状态。
SOURCE_UNAVAILABLE	503	API 无法连接平台服务，或服务意外出错。	稍后重试。重试写操作前，按 UPSTREAM_TIMEOUT 的方式先查看资源。

较旧的平台版本对超时返回 503 SOURCE_UNAVAILABLE。

el 的连接错误

这些错误码由客户端产生，不来自 API。

错误码	含义	处理方式
NETWORK_ERROR	客户端无法建立连接：DNS、TLS、代理问题或服务不可达。请求没有发出。	检查 API 地址和网络后重试。
REQUEST_TIMEOUT	请求已经发出，但在时限内没有收到应答。	请求可能已经被处理。重新提交前先查看 Job 或资源（el job list）。
RESPONSE_INTERRUPTED	应答完成前连接被关闭，服务可能出错或重启。	与 REQUEST_TIMEOUT 相同。反复出现时请报告发生时间。

报告问题时请附上错误码、HTTP 状态和 request_id。参见故障排查。