本指南从 TurboPhysAI 已完成安装并通过检查开始，说明如何对模型启用优化。产品镜像和源码安装方法见安装指南。
开始前应满足：
- 当前 Python 环境能够导入
turbo_physai和turbo_physai._C； - 目标 Python 训练入口及其运行依赖已经准备完成。
安装和环境检查方法见安装指南。
turbo-physai run 是训练用户的默认入口。通过 --model 选择内置模型，并将原 Python 训练命令写在 TurboPhysAI 参数之后：
turbo-physai run \
--model <model-name> \
--log-report \
python path/to/train.py<model-name> 应替换为模型支持清单中的模型名称。指定内置模型时，Runner 加载对应的 OptimizationConfig 和 RuntimeConfig。不指定模型和配置时，Runner 仅加载随包交付的公共 OptimizationConfig。训练命令及其参数由 Runner 原样执行；示例中的 python path/to/train.py 应替换为实际训练入口。
使用外部优化包或自定义配置时，可以将 --model 替换为 --optimization-config 和可选的 --runtime-config。完整命令参数和配置选择顺序见CLI 参考。
能够控制训练入口时，可以在导入目标模型模块前调用 apply()：
import turbo_physai
report = turbo_physai.apply(
model="bevformer",
log_report=True,
)示例中的 bevformer 可以替换为模型支持清单中的其他模型名称。仅使用公共优化时省略 model；使用显式 OptimizationConfig 时，将 model 替换为 optimization_config_path="path/to/optimization.yaml"。
apply() 每个训练进程只能调用一次，只负责应用 OptimizationConfig，不加载 RuntimeConfig，也不负责启动训练命令。需要 RuntimeConfig 时应使用 turbo-physai run，或由调用方在执行模型代码前准备运行环境。完整参数、返回值和异常行为见Python API 参考。
--log-report 用于输出本次优化应用结果，默认关闭。启用后，Rank 0 在训练日志中输出完整 OptimizationReport，报告以以下标记界定：
TURBO_PHYSAI_OPTIMIZATION_REPORT_BEGIN run_id=<run-id>
...
TURBO_PHYSAI_OPTIMIZATION_REPORT_END run_id=<run-id>
确认：
- 预期启用的 Group 为
applied； blocked、failed、rolled_back和not_started均为 0；skipped仅包含配置未启用、命令行临时禁用或依赖项被禁用的 Group，具体原因见报告中的reason。
其他 rank 输出一行状态摘要。不需要查看应用详情时，可以从启动命令中删除 --log-report。OptimizationReport 只说明优化应用状态，不代替模型正确性、精度和性能验证。报告内容和状态定义见优化应用报告。
- RuntimeConfig 字段和覆盖关系：RuntimeConfig 使用指南
- OptimizationConfig 字段和选择规则：OptimizationConfig 使用指南
- 内置模型和优化接入基线：模型支持清单
- 完整 CLI 参数：CLI 参考
- Python 调用接口：Python API 参考
- 报告字段和故障含义：优化应用报告