@mcptoolshop/style-dataset-lab 2.2.1 → 3.0.0

package/README.fr.md

@@ -11,196 +11,128 @@
   <a href="LICENSE"><img src="https://img.shields.io/badge/license-MIT-blue" alt="MIT License"></a>
 </p>
 
-# style-dataset-lab
+Définissez vos règles visuelles. Générez des œuvres. Évaluez chaque image en fonction de ces règles. Livrez les résultats sous forme de données d'entraînement versionnées et auditables.
 
-Transformez les éléments visuels approuvés en ensembles de données versionnés, validés, divisés, exportables et destinés à l'évaluation.
+Style Dataset Lab relie les éléments que vous avez écrits concernant votre style artistique à l'ensemble de données sur lequel vous entraînez réellement votre modèle. Vous définissez une constitution : règles de silhouette, contraintes de palette, langage des matériaux, tout ce qui est important pour votre projet. Le pipeline génère des candidats, les évalue en fonction de ces règles, et regroupe les œuvres approuvées dans des ensembles de données reproductibles où chaque enregistrement explique pourquoi il a été inclus.
 
-## Qu'est-ce que c'est ?
+La boucle se referme : entraînez un modèle, générez de nouvelles sorties, évaluez-les en fonction des mêmes critères, réintégrez ce qui est validé. L'ensemble de données grandit et les règles restent valables.
 
-Un **système de production de données visuelles et un pipeline**. Définissez l'apparence de votre projet. Appliquez des règles constitutionnelles. Créez des ensembles de données reproductibles avec des divisions sécurisées contre les fuites. Générez des ensembles d'évaluation pour la vérification future des modèles.
-
-Le pipeline produit quatre éléments :
-
-| Élément | Description |
-|----------|-----------|
-| **Snapshot** | Sélection de données éligibles, figée et identifiée de manière unique. Chaque inclusion a une justification explicite. |
-| **Split** | Partition train/validation/test sécurisée contre les fuites. Les données partageant la même famille de sujets sont toujours regroupées dans la même partition. |
-| **Export package** | Ensemble de données autonome : manifeste, métadonnées, images, divisions, description de l'ensemble de données et sommes de contrôle. |
-| **Eval pack** | Tâches de vérification respectant les règles constitutionnelles : couverture des aspects, dérive interdite, ancres/références, cohérence des sujets. |
-
-Chaque élément du pipeline contient trois informations :
-
-1. **Traçabilité** – historique complet de la génération (point de contrôle, LoRA, seed, échantillonneur, cfg, timing).
-2. **Conformité aux règles constitutionnelles** – quelles règles constitutionnelles cet élément respecte, ne respecte pas ou respecte partiellement.
-3. **Évaluation de la qualité** – approuvé/refusé/limite, avec des scores par dimension.
-
-Fonctionne pour les illustrations de jeux, la conception de personnages, la conception de créatures, l'architecture, les concepts de véhicules/robots, et tout domaine où la production visuelle doit rester conforme aux spécifications.
-
-## Démarrage rapide
+## Le pipeline
 
 ```bash
-# Install the CLI + pipeline
-npm install -g @mcptoolshop/style-dataset-lab
-
-# Scaffold a new project
+# Write your canon. Scaffold the project.
 sdlab init my-project --domain character-design
 
-# Validate the project structure
-sdlab project doctor --project my-project
-```
+# Generate candidates via ComfyUI, then review them
+sdlab generate inputs/prompts/wave1.json --project my-project
+sdlab curate <id> approved "Strong silhouette, correct faction palette"
 
-Domaines disponibles : `game-art`, `character-design`, `creature-design`, `architecture`, `vehicle-mech` ou `generic`.
+# Bind approved work to constitution rules
+sdlab bind --project my-project
 
-## Interface en ligne de commande (CLI)
+# Freeze a versioned dataset
+sdlab snapshot create --project my-project
+sdlab split build
+sdlab export build
 
-```bash
-sdlab init <name> [--domain <domain>]     # Scaffold a new project
-sdlab project doctor [--project <name>]   # Validate project config
-
-sdlab generate <pack> [--project <name>]  # Generate candidates via ComfyUI
-sdlab generate:identity <packet>          # Named-subject identity images
-sdlab generate:controlnet                 # ControlNet-guided generation
-sdlab generate:ipadapter                  # IP-Adapter reference-guided
-
-sdlab curate <id> <status> <explanation>  # Record review judgment
-sdlab compare <a> <b> <winner> <reason>   # Pairwise A-vs-B comparison
-sdlab bind [--project <name>]             # Bind records to constitution rules
-sdlab painterly [--project <name>]        # Post-processing style pass
-
-sdlab snapshot create [--profile <name>]  # Create frozen dataset snapshot
-sdlab snapshot list                       # List all snapshots
-sdlab snapshot diff <a> <b>               # Compare two snapshots
-sdlab eligibility audit                   # Audit record training eligibility
-sdlab split build [--snapshot <id>]       # Build train/val/test split
-sdlab split audit <id>                    # Audit split for leakage + balance
-sdlab card generate                       # Generate dataset card (md + JSON)
-sdlab export build [--snapshot <id>]      # Build versioned export package
-sdlab eval-pack build                     # Build canon-aware eval pack
+# Build a training package and close the loop
+sdlab training-manifest create --profile character-style-lora
+sdlab training-package build
+sdlab eval-run create && sdlab eval-run score <id> --outputs results.jsonl
+sdlab reingest generated --source ./outputs --manifest <id>
 ```
 
-Toutes les commandes acceptent `--project <nom>` (par défaut : `star-freight`).
+Cette dernière commande est essentielle. Les sorties générées passent par le même processus de révision que tout le reste. La boucle se referme.
 
-## Modèle du projet
+## Ce qu'il produit
 
-Chaque projet est un répertoire autonome sous `projects/`, avec sa propre constitution, sa configuration et ses données :
+Sept artefacts versionnés et vérifiés par checksum. Chacun est lié à ses prédécesseurs, ce qui vous permet de retracer tout enregistrement d'entraînement jusqu'à la règle qui l'a approuvé.
 
-```
-projects/
-  my-project/
-    project.json            Project identity + generation defaults
-    constitution.json       Rules array with rationale templates
-    lanes.json              Subject lanes with detection patterns
-    rubric.json             Scoring dimensions + thresholds
-    terminology.json        Group vocabulary + detection order
-    canon/                  Style constitution (markdown)
-    records/                Per-asset JSON (provenance + judgment + canon)
-    inputs/prompts/         Prompt packs (JSON)
-    outputs/                Generated images (gitignored)
-    comparisons/            A-vs-B preference judgments
-    snapshots/              Frozen dataset snapshots
-    splits/                 Train/val/test partitions
-    exports/                Versioned export packages
-    eval-packs/             Canon-aware eval instruments
-```
+| Élément | Description |
+|----------|-----------|
+| **Snapshot** | Sélection d'enregistrements figée avec empreinte de configuration. Chaque inclusion a une raison explicite. |
+| **Split** | Partitionnement entraînement/validation/test où les familles de sujets ne traversent jamais les limites. |
+| **Export package** | Ensemble de données autonome : manifeste, métadonnées, images, divisions, description de l'ensemble de données et sommes de contrôle. |
+| **Eval pack** | Tâches de vérification respectant les règles constitutionnelles : couverture des aspects, dérive interdite, ancres/références, cohérence des sujets. |
+| **Training package** | Disposition prête pour l'entraînement via des adaptateurs (`diffusers-lora`, `generic-image-caption`). La même information, dans un format différent. |
+| **Eval scorecard** | Indicateur de réussite/échec par tâche, basé sur l'évaluation des sorties générées par rapport aux ensembles d'évaluation. |
+| **Implementation pack** | Exemples de prompts, échecs connus, tests de continuité et instructions de réintégration. |
 
-## Pipeline
+## Pourquoi cela existe
 
-```
-canon → generate → curate → bind → snapshot → split → export → eval
-  |        |          |        |        |         |        |       |
-rules   ComfyUI   judgment  rules   frozen    subject  package  verify
-                                    selection isolation
-```
+Les données d'entraînement sont l'élément le plus important dans tout pipeline d'IA visuelle. Mais la plupart des données d'entraînement ne sont qu'un dossier d'images sans historique, sans trace de jugement et sans lien avec les règles de style qu'elles étaient censées suivre.
 
-1. **Définir la constitution** – rédigez votre constitution de style et votre grille d'évaluation.
-2. **Générer** – ComfyUI produit des candidats avec une traçabilité complète.
-3. **Sélectionner** – approuvez/refusez avec des scores par dimension et des modes de défaillance.
-4. **Associer** – liez chaque élément aux règles constitutionnelles avec des verdicts d'acceptation/rejet/partiel.
-5. **Instantané** – figez les données éligibles dans une sélection déterministe et identifiée de manière unique.
-6. **Diviser** – partitionnez en train/validation/test avec isolement des sujets et équilibre des aspects.
-7. **Exporter** – créez un package autonome avec un manifeste, des métadonnées, des images et des sommes de contrôle.
-8. **Évaluer** – générez des instruments de test respectant les règles constitutionnelles pour la vérification du modèle.
+Style Dataset Lab établit ce lien de manière explicite. Votre constitution définit les règles. Votre grille d'évaluation définit les dimensions de l'évaluation. Vos enregistrements de curation consignent le jugement. Votre canon de référence prouve le lien. Et votre ensemble de données transmet tout cela sous forme de vérité structurée, consultable et reproductible.
 
-La conversion de format en aval (TRL, LLaVA, Parquet, etc.) est gérée par [`repo-dataset`](https://github.com/mcp-tool-shop-org/repo-dataset). `sdlab` possède la vérité des données ; `repo-dataset` la transforme en formats spécialisés.
+Le résultat pratique : lorsque votre LoRA dérive, vous pouvez demander *pourquoi*. Lorsque votre prochaine phase d'entraînement a besoin de meilleures données, vous savez exactement quels enregistrements sont proches de la limite et quelle règle unique ils ont manquée. Lorsqu'un nouveau membre de l'équipe demande quelle est la langue visuelle du projet, la réponse n'est pas un tableau Figma, mais une constitution consultable avec 1 182 exemples notés.
 
-## Modèles de domaine
+## Cinq domaines, règles réelles
 
-Chaque modèle de domaine est fourni avec des définitions d'aspects, des règles constitutionnelles, des grilles d'évaluation et des structures terminologiques conçues pour ce contexte de production :
+Ce ne sont pas des modèles génériques. Chaque domaine est fourni avec des règles de constitution, des définitions de catégories, des grilles d'évaluation et un vocabulaire de groupe de qualité professionnelle.
 
-| Domaine | Aspects | Préoccupations clés |
-|--------|-------|-------------|
-| **game-art** | personnage, environnement, accessoire, interface utilisateur, vaisseau, intérieur, équipement | Silhouette à l'échelle du gameplay, différenciation des factions, usure/vieillissement |
-| **character-design** | portrait, corps entier, vue de face, feuille d'expressions, pose d'action | Précision des proportions, logique des costumes, expression de la personnalité, clarté des gestes |
-| **creature-design** | concept, orthographique, étude de détail, action, référence d'échelle, habitat | Plausibilité anatomique, logique évolutive, distinction des silhouettes |
-| **architecture** | extérieur, intérieur, paysage urbain, détail structurel, ruine, paysage | Plausibilité structurelle, cohérence des matériaux, perspective, cohérence de l'époque |
+| Domaine | Aspects | Ce qui est évalué |
+|--------|-------|-----------------|
+| **game-art** | personnage, environnement, accessoire, interface utilisateur, vaisseau, intérieur, équipement | Silhouette à l'échelle du gameplay, interprétation de la faction, usure et vieillissement. |
+| **character-design** | portrait, corps entier, vue de face, feuille d'expressions, pose d'action | Proportions, logique des costumes, personnalité, clarté des gestes. |
+| **creature-design** | concept, orthographique, étude de détail, action, référence d'échelle, habitat | Anatomie, logique évolutive, distinction de la silhouette. |
+| **architecture** | extérieur, intérieur, paysage urbain, détail structurel, ruine, paysage | Structure, cohérence des matériaux, perspective, cohérence de l'époque. |
 | **vehicle-mech** | extérieur, cockpit, composant, schéma, feuille de silhouette, variante endommagée | Logique mécanique, langage de conception fonctionnelle, points d'accès, description des dommages. |
 
-## Production de l'ensemble de données
+## Structure du projet
 
-Structure complète de l'ensemble de données : instantané, division, exportation, évaluation.
+Chaque projet est autonome. Cinq fichiers de configuration JSON définissent les règles ; le reste est constitué de données.
 
 ```
-snapshot  -->  split  -->  export  -->  eval-pack
-   |            |            |             |
-  frozen     subject      package       canon-aware
-  selection  isolation    (manifest,    test instruments
-             + lane       metadata,     (4 task types)
-             balance      images,
-                          checksums,
-                          card)
+projects/my-project/
+  project.json           Identity + generation defaults
+  constitution.json      Rules with rationale templates
+  lanes.json             Subject lanes with detection patterns
+  rubric.json            Scoring dimensions + thresholds
+  terminology.json       Group vocabulary + detection order
+  records/               Per-asset JSON (provenance + judgment + canon)
+  snapshots/             Frozen dataset snapshots
+  splits/                Train/val/test partitions
+  exports/               Versioned export packages
+  training/              Profiles, manifests, packages, eval runs, implementations
 ```
 
-Les **instantanés** figent une sélection déterministe d'enregistrements éligibles. Chaque inclusion a une trace de raison. Les empreintes de configuration garantissent la reproductibilité.
-
-Les **divisions** attribuent les enregistrements aux partitions d'entraînement/validation/test, avec une isolation des sujets (aucune famille de sujets n'apparaît dans plusieurs divisions) et une distribution équilibrée par "voie". Un générateur de nombres pseudo-aléatoires (PRNG) initialisé garantit des résultats identiques à partir de la même initialisation.
+## Propriétés de confiance
 
-Les **packages d'exportation** sont autonomes : manifeste, metadata.jsonl, images (liens symboliques ou copies), divisions, fiche de l'ensemble de données (Markdown + JSON), et sommes de contrôle au format BSD. Tout le nécessaire pour reconstruire l'ensemble de données à partir de zéro.
+Ce ne sont pas des aspirations. Elles sont appliquées.
 
-Les **packs d'évaluation** sont des outils de test standardisés, prenant en compte le contexte, avec quatre types de tâches : couverture des "voies", dérive interdite, ancres/références, et continuité des sujets. Ils prouvent que la structure de l'ensemble de données alimente l'évaluation future des modèles, et ne se contente pas de décharger des fichiers.
+- **Les instantanés sont immuables.** L'empreinte de configuration (SHA-256) prouve qu'il n'y a eu aucun changement.
+- **Les partitions empêchent les fuites.** Les familles de sujets (par identité, lignée ou suffixe d'ID) ne traversent jamais les limites des partitions.
+- **Les manifestes sont des contrats figés.** Hash d'exportation + empreinte de configuration. Si quelque chose change, créez-en un nouveau.
+- **Les adaptateurs ne peuvent pas modifier la vérité.** Disposition différente, mêmes enregistrements. Pas d'ajouts, pas de suppressions, pas de reclassements.
+- **Les sorties générées sont soumises à une révision.** Pas de contournement. Curatez et intégrez comme tout le reste.
 
-Exportation vers des formats compatibles via [`repo-dataset`](https://github.com/mcp-tool-shop-org/repo-dataset) (TRL, LLaVA, Qwen2-VL, JSONL, Parquet, etc.). `repo-dataset` gère la conversion de format ; `sdlab` est responsable de la vérité des données.
+## Star Freight
 
-## Exemple Star Freight
-
-Clonez le dépôt pour un exemple fonctionnel complet : 1182 enregistrements, 28 séries de prompts, 5 factions, 7 "voies", 24 règles constitutionnelles, et 892 ressources approuvées provenant d'un RPG de science-fiction réaliste.
+Le dépôt comprend un exemple de fonctionnement complet : 1182 enregistrements, 5 factions, 7 voies, 24 règles constitutionnelles, 892 ressources approuvées, 2 profils de formation. Un corpus visuel de jeu de rôle de science-fiction, entièrement organisé.
 
 ```bash
 git clone https://github.com/mcp-tool-shop-org/style-dataset-lab
 cd style-dataset-lab
-
-# Validate the project
 sdlab project doctor --project star-freight
-
-# Run the full dataset spine
-sdlab snapshot create --project star-freight    # 839 eligible records
-sdlab split build --project star-freight        # ~80/10/10, zero leakage
-sdlab export build --project star-freight       # package with checksums
-sdlab eval-pack build --project star-freight    # 78 eval records
+sdlab snapshot create --project star-freight   # 839 eligible records
+sdlab split build --project star-freight       # zero subject leakage
 ```
 
-## Migration depuis la version 1.x
+## Formats compatibles
 
-La version 2.0 renomme `games/` en `projects/` et `--game` en `--project` :
+`sdlab` est propriétaire de l'ensemble de données. La conversion de format est gérée par [`repo-dataset`](https://github.com/mcp-tool-shop-org/repo-dataset) : TRL, LLaVA, Qwen2-VL, JSONL, Parquet, et plus encore. `repo-dataset` effectue la conversion ; il ne décide jamais de l'inclusion.
 
-```bash
-# Rename your data directory
-mv games projects
+## Installation
 
-# --game still works with a deprecation warning (removed in v3.0)
-sdlab bind --game star-freight   # works, prints warning
-sdlab bind --project star-freight # canonical form
+```bash
+npm install -g @mcptoolshop/style-dataset-lab
 ```
 
-## Modèle de sécurité
-
-**Uniquement local.** Communique avec ComfyUI sur `localhost:8188`. Pas de télémétrie, pas d'analyses, pas de requêtes externes. Les images restent sur votre GPU et votre système de fichiers.
+Nécessite Node.js 20+ et [ComfyUI](https://github.com/comfyanonymous/ComfyUI) installé localement sur le port 8188 pour la génération.
 
-## Prérequis
+## Sécurité
 
-- [ComfyUI](https://github.com/comfyanonymous/ComfyUI) en cours d'exécution sur localhost:8188
-- Point de contrôle DreamShaper XL Turbo + LoRA ClassipeintXL
-- Node.js 20+
-- [`@mcptoolshop/repo-dataset`](https://github.com/mcp-tool-shop-org/repo-dataset) pour l'exportation des données d'entraînement
+Utilisation locale uniquement. Aucune télémétrie, aucune analyse, aucune requête externe. Les images restent sur votre GPU et votre système de fichiers.
 
 ## Licence
 

package/README.hi.md

@@ -11,196 +11,128 @@
   <a href="LICENSE"><img src="https://img.shields.io/badge/license-MIT-blue" alt="MIT License"></a>
 </p>
 
-# style-dataset-lab
+अपनी दृश्य दिशानिर्देशों को लिखें। कला उत्पन्न करें। प्रत्येक छवि का मूल्यांकन उन दिशानिर्देशों के आधार पर करें। परिणामों को संस्करणों के साथ, ऑडिट करने योग्य प्रशिक्षण डेटा के रूप में प्रस्तुत करें।
 
-अनुमोदित दृश्य सामग्री को संस्करणों में विभाजित करें, समीक्षा के आधार पर डेटासेट, उप-समूह (स्प्लिट्स), निर्यात पैकेज और मूल्यांकन पैकेजों में व्यवस्थित करें।
+स्टाइल डेटासेट लैब आपके कलात्मक शैली के बारे में आपने जो कुछ भी लिखा है, उसे उस डेटासेट से जोड़ता है जिससे आप वास्तव में प्रशिक्षण लेते हैं। आप एक "संविधान" परिभाषित करते हैं - जैसे कि आकार के नियम, रंग पैलेट की सीमाएं, सामग्री का विवरण, या जो भी आपके प्रोजेक्ट के लिए महत्वपूर्ण है। यह प्रणाली संभावित विकल्पों को उत्पन्न करती है, उन्हें आपके द्वारा परिभाषित नियमों के आधार पर मूल्यांकन करती है, और स्वीकृत कार्यों को ऐसे डेटासेट में व्यवस्थित करती है जो पुन: प्रयोज्य हों, जहां प्रत्येक प्रविष्टि यह बताती है कि उसे क्यों शामिल किया गया है।
 
-## यह क्या है
+यह प्रक्रिया एक चक्र की तरह चलती है: एक मॉडल को प्रशिक्षित करें, नए आउटपुट उत्पन्न करें, उन्हें एक ही मानदंड के आधार पर मूल्यांकित करें, और जो आउटपुट मानदंडों को पूरा करते हैं, उन्हें वापस डेटासेट में शामिल करें। इस तरह, डेटासेट का आकार बढ़ता रहता है और नियम बने रहते हैं।
 
-एक **दृश्य सामग्री और डेटासेट निर्माण प्रक्रिया**. अपनी परियोजना कैसी दिखेगी, यह परिभाषित करें। संविधान के नियमों के अनुसार सामग्री का चयन करें। ऐसे डेटासेट पैकेज तैयार करें जो दोहराए जा सकें और जिनमें डेटा सुरक्षा बनी रहे। भविष्य में मॉडल की जांच के लिए मूल्यांकन पैकेज बनाएं।
-
-यह पाइपलाइन चार प्रकार के आउटपुट (परिणाम) उत्पन्न करता है:
-
-| पुरातत्विक वस्तु। | यह क्या है। |
-|----------|-----------|
-| **Snapshot** | चयनित अभिलेखों की एक "फ्रीज" की गई सूची, जिसमें केवल योग्य अभिलेख शामिल हैं। प्रत्येक अभिलेख को शामिल करने का एक स्पष्ट और विशिष्ट कारण दर्ज किया गया है। |
-| **Split** | रिसाव-रोधी ट्रेन/वैल्यू/टेस्ट विभाजन। रिकॉर्ड हमेशा एक ही समूह में आते हैं, जो एक विषय परिवार से संबंधित होते हैं। |
-| **Export package** | स्वतंत्र डेटासेट: इसमें मैनिफेस्ट (manifest), मेटाडेटा (metadata), चित्र, डेटासेट के विभिन्न भाग, डेटासेट कार्ड और चेकसम (checksums) शामिल हैं। |
-| **Eval pack** | कैनन (Canon) के मानकों के अनुरूप सत्यापन कार्य: लेन कवरेज, निषिद्ध विचलन, एंकर/गोल्ड, विषय की निरंतरता। |
-
-पाइपलाइन में मौजूद प्रत्येक संपत्ति में तीन चीजें शामिल होती हैं:
-
-1. **उत्पत्ति का विवरण** -- पूरी पीढ़ी का इतिहास (चेकपॉइंट, लोरा, सीड, सैंपलर, सीएफजी, समय)।
-2. **मानकों का अनुपालन** -- यह निर्धारित करता है कि यह संपत्ति किस मानक को पूरा करती है, विफल होती है, या आंशिक रूप से पूरा करती है।
-3. **गुणवत्ता मूल्यांकन** -- स्वीकृत/अस्वीकृत/सीमांत श्रेणी में, प्रत्येक पहलू के लिए अलग-अलग स्कोर के साथ।
-
-यह काम गेम आर्ट, कैरेक्टर डिजाइन, जीव (क्रिएचर) डिजाइन, आर्किटेक्चर, वाहन/मैक अवधारणाओं, और किसी भी ऐसे क्षेत्र में किया जाता है जहाँ विज़ुअल उत्पादन को सटीक और अनुरूप बनाए रखने की आवश्यकता होती है।
-
-## शुरुआत कैसे करें।
+## पाइपलाइन।
 
 ```bash
-# Install the CLI + pipeline
-npm install -g @mcptoolshop/style-dataset-lab
-
-# Scaffold a new project
+# Write your canon. Scaffold the project.
 sdlab init my-project --domain character-design
 
-# Validate the project structure
-sdlab project doctor --project my-project
-```
+# Generate candidates via ComfyUI, then review them
+sdlab generate inputs/prompts/wave1.json --project my-project
+sdlab curate <id> approved "Strong silhouette, correct faction palette"
 
-उपलब्ध डोमेन: `गेम-आर्ट`, `कैरेक्टर-डिजाइन`, `क्रिएचर-डिजाइन`, `आर्किटेक्चर`, `वाहन-मैकेनिक्स`, या `सामान्य।
+# Bind approved work to constitution rules
+sdlab bind --project my-project
 
-## सीएलआई (CLI) - कमांड लाइन इंटरफेस
+# Freeze a versioned dataset
+sdlab snapshot create --project my-project
+sdlab split build
+sdlab export build
 
-```bash
-sdlab init <name> [--domain <domain>]     # Scaffold a new project
-sdlab project doctor [--project <name>]   # Validate project config
-
-sdlab generate <pack> [--project <name>]  # Generate candidates via ComfyUI
-sdlab generate:identity <packet>          # Named-subject identity images
-sdlab generate:controlnet                 # ControlNet-guided generation
-sdlab generate:ipadapter                  # IP-Adapter reference-guided
-
-sdlab curate <id> <status> <explanation>  # Record review judgment
-sdlab compare <a> <b> <winner> <reason>   # Pairwise A-vs-B comparison
-sdlab bind [--project <name>]             # Bind records to constitution rules
-sdlab painterly [--project <name>]        # Post-processing style pass
-
-sdlab snapshot create [--profile <name>]  # Create frozen dataset snapshot
-sdlab snapshot list                       # List all snapshots
-sdlab snapshot diff <a> <b>               # Compare two snapshots
-sdlab eligibility audit                   # Audit record training eligibility
-sdlab split build [--snapshot <id>]       # Build train/val/test split
-sdlab split audit <id>                    # Audit split for leakage + balance
-sdlab card generate                       # Generate dataset card (md + JSON)
-sdlab export build [--snapshot <id>]      # Build versioned export package
-sdlab eval-pack build                     # Build canon-aware eval pack
+# Build a training package and close the loop
+sdlab training-manifest create --profile character-style-lora
+sdlab training-package build
+sdlab eval-run create && sdlab eval-run score <id> --outputs results.jsonl
+sdlab reingest generated --source ./outputs --manifest <id>
 ```
 
-सभी कमांड्स `--project <नाम>` विकल्प को स्वीकार करते हैं (डिफ़ॉल्ट: `star-freight`)।
+"वह अंतिम आदेश महत्वपूर्ण है। उत्पन्न होने वाले परिणाम भी उसी समीक्षा प्रक्रिया से गुजरते हैं, जैसे कि बाकी सब कुछ। इस प्रकार, एक चक्र पूरा होता है।"
 
-## परियोजना मॉडल।
+## यह क्या उत्पादित करता है।
 
-प्रत्येक परियोजना `projects/` नामक एक स्वतंत्र फ़ोल्डर में स्थित होती है, और इसमें अपना विशिष्ट नियम (canon), कॉन्फ़िगरेशन (config) और डेटा होता है।
+सात संस्करणों वाले, चेकसम से सत्यापित दस्तावेज़। प्रत्येक दस्तावेज़ अपने पूर्ववर्ती संस्करणों से जुड़ा हुआ है, जिससे आप किसी भी प्रशिक्षण रिकॉर्ड को उस नियम तक वापस खोज सकते हैं जिसने उसे स्वीकृत किया था।
 
-```
-projects/
-  my-project/
-    project.json            Project identity + generation defaults
-    constitution.json       Rules array with rationale templates
-    lanes.json              Subject lanes with detection patterns
-    rubric.json             Scoring dimensions + thresholds
-    terminology.json        Group vocabulary + detection order
-    canon/                  Style constitution (markdown)
-    records/                Per-asset JSON (provenance + judgment + canon)
-    inputs/prompts/         Prompt packs (JSON)
-    outputs/                Generated images (gitignored)
-    comparisons/            A-vs-B preference judgments
-    snapshots/              Frozen dataset snapshots
-    splits/                 Train/val/test partitions
-    exports/                Versioned export packages
-    eval-packs/             Canon-aware eval instruments
-```
+| पुरातत्विक वस्तु। | यह क्या है। |
+|----------|-----------|
+| **Snapshot** | ठहरा हुआ रिकॉर्ड चयन, जिसमें कॉन्फ़िगरेशन की जानकारी शामिल है। प्रत्येक शामिल किए गए रिकॉर्ड का एक स्पष्ट कारण है। |
+| **Split** | प्रशिक्षण (ट्रेन), मूल्यांकन (वैल), और परीक्षण (टेस्ट) डेटासेट को इस तरह विभाजित किया गया है कि किसी भी विषय परिवार के सदस्य इन विभाजनों के बीच न आएं। |
+| **Export package** | स्वतंत्र डेटासेट: इसमें मैनिफेस्ट (manifest), मेटाडेटा (metadata), चित्र, डेटासेट के विभिन्न भाग, डेटासेट कार्ड और चेकसम (checksums) शामिल हैं। |
+| **Eval pack** | कैनन (Canon) के मानकों के अनुरूप सत्यापन कार्य: लेन कवरेज, निषिद्ध विचलन, एंकर/गोल्ड, विषय की निरंतरता। |
+| **Training package** | प्रशिक्षण के लिए तैयार लेआउट, जो एडेप्टर (`diffusers-lora`, `generic-image-caption`) के माध्यम से उपलब्ध है। एक ही जानकारी, लेकिन अलग प्रारूप में। |
+| **Eval scorecard** | प्रत्येक कार्य के लिए, स्कोरिंग के आधार पर उत्पन्न परिणामों की तुलना मूल्यांकन पैकों से की जाती है, और यह निर्धारित किया जाता है कि परिणाम पास हुआ है या फेल। |
+| **Implementation pack** | त्वरित उदाहरण, ज्ञात विफलताएं, निरंतरता परीक्षण, और पुनः उपयोग के लिए मार्गदर्शन। |
 
-## पाइपलाइन।
+## यह क्यों मौजूद है?
 
-```
-canon → generate → curate → bind → snapshot → split → export → eval
-  |        |          |        |        |         |        |       |
-rules   ComfyUI   judgment  rules   frozen    subject  package  verify
-                                    selection isolation
-```
+प्रशिक्षण डेटा किसी भी विज़ुअल एआई प्रणाली में सबसे महत्वपूर्ण घटक होता है। लेकिन अधिकांश प्रशिक्षण डेटा छवियों का एक संग्रह होता है, जिसमें कोई पृष्ठभूमि जानकारी, कोई मूल्यांकन प्रक्रिया, और उन शैलीगत नियमों से कोई संबंध नहीं होता जिनका पालन करने की अपेक्षा की जाती थी।
 
-1. **परिभाषित करें:** अपनी शैली का संविधान (स्टाइल कॉन्स्टिट्यूशन) लिखें और मूल्यांकन मानदंड (रिव्यू रूब्रिक) तैयार करें।
-2. **उत्पन्न करें:** कॉमफीयूआई (ComfyUI) पूर्ण जानकारी के साथ संभावित विकल्प (कैंडिडेट्स) उत्पन्न करता है।
-3. **चयन करें:** प्रत्येक आयाम के लिए स्कोर और विफलता के तरीकों के साथ, विकल्पों को स्वीकृत या अस्वीकृत करें।
-4. **जोड़ें:** प्रत्येक संसाधन को संविधान के नियमों से जोड़ें और पास/फेल/आंशिक परिणाम दर्ज करें।
-5. **स्नैपशॉट लें:** योग्य रिकॉर्ड को एक निश्चित, विशिष्ट पहचान (फिंगरप्रिंट) वाले संग्रह में स्थिर करें।
-6. **विभाजित करें:** डेटा को प्रशिक्षण (ट्रेन), मूल्यांकन (वैल) और परीक्षण (टेस्ट) सेट में विभाजित करें, जिसमें विषय का अलगाव और डेटा संतुलन शामिल हो।
-7. **निर्यात करें:** एक आत्मनिर्भर पैकेज बनाएं जिसमें घोषणापत्र (मैनिफेस्ट), मेटाडेटा, चित्र और चेकसम शामिल हों।
-8. **मूल्यांकन करें:** मॉडल की पुष्टि के लिए, "कैनन" (परिभाषित मानकों) के अनुरूप परीक्षण उपकरण उत्पन्न करें।
+स्टाइल डेटासेट लैब इस संबंध को स्पष्ट रूप से दर्शाता है। आपका संविधान नियमों को परिभाषित करता है। आपका मूल्यांकन मापदंड मूल्यांकन के आयामों को परिभाषित करता है। आपका क्यूरेशन रिकॉर्ड निर्णय को दर्ज करता है। आपका स्थापित सिद्धांत (कैनन) इस संबंध को प्रमाणित करता है। और आपका डेटासेट इन सभी तत्वों को संरचित, खोज योग्य और पुन: प्रस्तुत करने योग्य सत्य के रूप में आगे बढ़ाता है।
 
-"डाउनस्ट्रीम फॉर्मेट में रूपांतरण (जैसे TRL, LLaVA, Parquet, आदि) [`repo-dataset`](https://github.com/mcp-tool-shop-org/repo-dataset) द्वारा किया जाता है। `sdlab` डेटासेट की वास्तविक जानकारी रखता है, जबकि `repo-dataset` इसे विशिष्ट फॉर्मेट में परिवर्तित करता है।"
+परिणामस्वरूप: जब आपका LoRA (लो-रैंक एडाप्टेशन) ठीक से काम नहीं करता, तो आप यह पता लगा सकते हैं कि *क्यों*। जब आपके अगले प्रशिक्षण दौर के लिए बेहतर डेटा की आवश्यकता होती है, तो आप सटीक रूप से जान सकते हैं कि कौन से डेटा रिकॉर्ड लगभग सही हैं और वे किस एक नियम का उल्लंघन करते हैं। जब कोई नया टीम सदस्य पूछता है कि परियोजना की दृश्य भाषा क्या है, तो उत्तर एक Figma बोर्ड नहीं होता है— बल्कि यह 1,182 वर्गीकृत उदाहरणों के साथ एक खोज योग्य संविधान होता है।
 
-## डोमेन टेम्प्लेट।
+## पांच क्षेत्र, वास्तविक नियम।
 
-प्रत्येक डोमेन टेम्पलेट में लेन (कार्य) की परिभाषाएं, नियमों का संग्रह, मूल्यांकन मापदंड और शब्दावली शामिल होती है, जो उस विशेष उत्पादन प्रक्रिया के लिए डिज़ाइन की गई हैं।
+ये केवल टेम्पलेट नहीं हैं। प्रत्येक डोमेन उच्च गुणवत्ता वाले नियमों, लेन (क्षेत्र) की परिभाषाओं, मूल्यांकन मापदंडों और समूह शब्दावली के साथ आता है।
 
-| डोमेन। | सड़कें। | मुख्य चिंताएं। |
-|--------|-------|-------------|
-| **game-art** | चरित्र, वातावरण, वस्तु, यूआई (उपयोगकर्ता इंटरफ़ेस), जहाज, आंतरिक भाग, उपकरण। | गेमप्ले के पैमाने पर सिल्हूट का विवरण, गुटों के बीच अंतर, और समय के साथ होने वाली टूट-फूट या बदलाव। |
-| **character-design** | पोर्ट्रेट (चित्र), पूरे शरीर का चित्रण, विभिन्न कोणों से चित्रण, भावों का चित्रण, गतिशील मुद्रा में चित्रण। | अनुपात की सटीकता, वेशभूषा की तर्कसंगतता, व्यक्तित्व का चित्रण, हाव-भाव की स्पष्टता। |
-| **creature-design** | अवधारणा, वर्तनी संबंधी, विस्तृत अध्ययन, क्रिया, माप का संदर्भ, आवास। | शारीरिक संरचना की संभाव्यता, विकासवादी तर्क, और आकृति की विशिष्टता। |
-| **architecture** | बाहरी भाग, आंतरिक भाग, सड़क का दृश्य, संरचनात्मक विवरण, खंडहर, परिदृश्य। | संरचनात्मक संभाव्यता, सामग्री की सुसंगति, दृष्टिकोण, युग की अनुरूपता। |
+| डोमेन। | सड़कें। | क्या चीज़ों का मूल्यांकन किया जाता है? |
+|--------|-------|-----------------|
+| **game-art** | चरित्र, वातावरण, वस्तु, यूआई (उपयोगकर्ता इंटरफ़ेस), जहाज, आंतरिक भाग, उपकरण। | गेमप्ले के पैमाने पर सिल्हूट, गुटों की जानकारी, और पहनने और उम्र बढ़ने के प्रभाव। |
+| **character-design** | पोर्ट्रेट (चित्र), पूरे शरीर का चित्रण, विभिन्न कोणों से चित्रण, भावों का चित्रण, गतिशील मुद्रा में चित्रण। | अनुपात, वेशभूषा की तर्कसंगतता, व्यक्तित्व, और हाव-भाव की स्पष्टता। |
+| **creature-design** | अवधारणा, वर्तनी संबंधी, विस्तृत अध्ययन, क्रिया, माप का संदर्भ, आवास। | शारीरिक संरचना, विकासवादी तर्क, और आकार की विशिष्टता। |
+| **architecture** | बाहरी भाग, आंतरिक भाग, सड़क का दृश्य, संरचनात्मक विवरण, खंडहर, परिदृश्य। | संरचना, सामग्री की एकरूपता, दृष्टिकोण, युग के अनुरूपता। |
 | **vehicle-mech** | बाहरी भाग, कॉकपिट, घटक, आरेख, सिल्हूट शीट, क्षति का प्रकार। | यांत्रिक तर्क, कार्यात्मक डिज़ाइन भाषा, पहुंच बिंदु, क्षति विवरण। |
 
-## डेटासेट का निर्माण।
+## परियोजना की संरचना।
 
-पूरे डेटासेट की संरचना: स्नैपशॉट, विभाजन, निर्यात, मूल्यांकन।
+प्रत्येक परियोजना एक स्वतंत्र इकाई है। पाँच JSON कॉन्फ़िगरेशन फ़ाइलें नियमों को परिभाषित करती हैं; बाकी सब डेटा है।
 
 ```
-snapshot  -->  split  -->  export  -->  eval-pack
-   |            |            |             |
-  frozen     subject      package       canon-aware
-  selection  isolation    (manifest,    test instruments
-             + lane       metadata,     (4 task types)
-             balance      images,
-                          checksums,
-                          card)
+projects/my-project/
+  project.json           Identity + generation defaults
+  constitution.json      Rules with rationale templates
+  lanes.json             Subject lanes with detection patterns
+  rubric.json            Scoring dimensions + thresholds
+  terminology.json       Group vocabulary + detection order
+  records/               Per-asset JSON (provenance + judgment + canon)
+  snapshots/             Frozen dataset snapshots
+  splits/                Train/val/test partitions
+  exports/               Versioned export packages
+  training/              Profiles, manifests, packages, eval runs, implementations
 ```
 
-**स्नैपशॉट** योग्य रिकॉर्डों के एक निश्चित चयन को स्थिर करते हैं। प्रत्येक शामिल रिकॉर्ड के लिए एक कारण दर्ज किया गया है। कॉन्फ़िगरेशन फ़िंगरप्रिंट पुनरुत्पादकता सुनिश्चित करते हैं।
+## ट्रस्ट की संपत्ति।
 
-**विभाजन** रिकॉर्डों को प्रशिक्षण/मान्यकरण/परीक्षण भागों में आवंटित करते हैं, जिसमें विषय अलगाव (कोई भी विषय परिवार एक से अधिक विभाजनों में नहीं दिखाई देता) और लेन-संतुलित वितरण शामिल है। सीडेड PRNG समान सीड से समान परिणाम सुनिश्चित करता है।
+ये केवल इच्छाएं नहीं हैं। ये लागू किए जाने वाले नियम हैं।
 
-**निर्यात पैकेज** आत्मनिर्भर होते हैं: मैनिफेस्ट, metadata.jsonl, छवियां (सिंबोलिंक या कॉपी की गई), विभाजन, डेटासेट कार्ड (मार्कडाउन + JSON), और BSD-स्वरूप चेकसम। डेटासेट को खरोंच से फिर से बनाने के लिए आवश्यक सब कुछ।
+- **स्नैपशॉट अपरिवर्तनीय होते हैं।** कॉन्फ़िगरेशन फ़िंगरप्रिंट (SHA-256) यह साबित करता है कि कुछ भी नहीं बदला है।
+- **विभाजन डेटा लीक को रोकते हैं।** विषय परिवार (पहचान, वंश या आईडी प्रत्यय के आधार पर) कभी भी विभाजन सीमाओं को पार नहीं करते हैं।
+- **मैनिफेस्ट एक निश्चित अनुबंध होते हैं।** एक्सपोर्ट हैश + कॉन्फ़िगरेशन फ़िंगरप्रिंट। यदि कुछ भी बदलता है, तो एक नया बनाएं।
+- **एडाप्टर सत्य को बदल नहीं सकते।** अलग लेआउट, लेकिन समान रिकॉर्ड। कोई अतिरिक्त जानकारी नहीं, कोई हटाने नहीं, और कोई पुन: वर्गीकरण नहीं।
+- **उत्पन्न आउटपुट समीक्षा के माध्यम से फिर से आते हैं।** कोई शॉर्टकट नहीं। बाकी सब कुछ की तरह, इन्हें भी व्यवस्थित करें और बांधें।
 
-**मूल्यांकन पैकेज** मानक-जागरूक परीक्षण उपकरण हैं जिनमें चार कार्य प्रकार शामिल हैं: लेन कवरेज, निषिद्ध विचलन, एंकर/गोल्ड, और विषय निरंतरता। वे यह साबित करते हैं कि डेटासेट संरचना भविष्य के मॉडल मूल्यांकन को बढ़ावा दे रही है, केवल फ़ाइलें जमा नहीं कर रही है।
+## स्टार फ्रेट।
 
-`repo-dataset` (https://github.com/mcp-tool-shop-org/repo-dataset) के माध्यम से अन्य प्रारूपों में निर्यात करें (TRL, LLaVA, Qwen2-VL, JSONL, Parquet, और अन्य)। `repo-dataset` प्रारूप रूपांतरण को संभालता है; `sdlab` डेटासेट की सत्यता का स्वामी है।
-
-## स्टार फ्रेट उदाहरण।
-
-एक पूर्ण, कार्यशील उदाहरण के लिए रिपॉजिटरी को क्लोन करें: 1,182 रिकॉर्ड, 28 प्रॉम्प्ट वेव, 5 गुट, 7 लेन, 24 संविधान नियम, और एक कठोर विज्ञान-फाई आरपीजी से 892 स्वीकृत संपत्तियां।
+इस रिपॉजिटरी में एक पूर्ण, कार्यशील उदाहरण शामिल है: 1,182 रिकॉर्ड, 5 गुट, 7 मार्ग, 24 संवैधानिक नियम, 892 स्वीकृत संपत्तियां, 2 प्रशिक्षण प्रोफाइल। यह एक यथार्थवादी विज्ञान-फाई आरपीजी का दृश्य संग्रह है, जो पूरी तरह से तैयार किया गया है।
 
 ```bash
 git clone https://github.com/mcp-tool-shop-org/style-dataset-lab
 cd style-dataset-lab
-
-# Validate the project
 sdlab project doctor --project star-freight
-
-# Run the full dataset spine
-sdlab snapshot create --project star-freight    # 839 eligible records
-sdlab split build --project star-freight        # ~80/10/10, zero leakage
-sdlab export build --project star-freight       # package with checksums
-sdlab eval-pack build --project star-freight    # 78 eval records
+sdlab snapshot create --project star-freight   # 839 eligible records
+sdlab split build --project star-freight       # zero subject leakage
 ```
 
-## v1.x से माइग्रेट करना।
+## डाउनस्ट्रीम प्रारूप
 
-v2.0 में `games/` को `projects/` और `--game` को `--project` में बदल दिया गया है:
+`sdlab` के पास यह डेटासेट है। प्रारूप रूपांतरण [`repo-dataset`](https://github.com/mcp-tool-shop-org/repo-dataset) द्वारा संभाला जाता है: TRL, LLaVA, Qwen2-VL, JSONL, Parquet, और अन्य। `repo-dataset` डेटा प्रस्तुत करता है; यह कभी भी शामिल करने का निर्णय नहीं लेता है।
 
-```bash
-# Rename your data directory
-mv games projects
+## इंस्टॉल करें
 
-# --game still works with a deprecation warning (removed in v3.0)
-sdlab bind --game star-freight   # works, prints warning
-sdlab bind --project star-freight # canonical form
+```bash
+npm install -g @mcptoolshop/style-dataset-lab
 ```
 
-## सुरक्षा मॉडल
-
-**केवल स्थानीय।** `localhost:8188` पर ComfyUI से संवाद करता है। कोई टेलीमेट्री नहीं, कोई विश्लेषण नहीं, कोई बाहरी अनुरोध नहीं। छवियां आपके GPU और फ़ाइल सिस्टम पर ही रहती हैं।
+इसके लिए Node.js 20+ और [ComfyUI](https://github.com/comfyanonymous/ComfyUI) की आवश्यकता है, जो localhost:8188 पर चल रहा होना चाहिए, ताकि सामग्री उत्पन्न की जा सके।
 
-## आवश्यकताएं
+## सुरक्षा
 
-- `localhost:8188` पर चलने वाला [ComfyUI](https://github.com/comfyanonymous/ComfyUI)
-- DreamShaper XL Turbo चेकपॉइंट + ClassipeintXL LoRA
-- Node.js 20+
-- प्रशिक्षण के लिए निर्यात के लिए [`@mcptoolshop/repo-dataset`](https://github.com/mcp-tool-shop-org/repo-dataset)
+यह केवल स्थानीय रूप से काम करता है। इसमें कोई टेलीमेट्री, कोई विश्लेषण और कोई बाहरी अनुरोध शामिल नहीं हैं। छवियां आपके GPU और फ़ाइल सिस्टम पर ही रहती हैं।
 
 ## लाइसेंस