保存权重

PyTRIO 支持三种保存当前训练结果的方式，它们对应着不同的后续场景。

方法	保存内容	典型场景
`save_weights_for_sampler`	模型权重，不包含优化器状态	后续推理采样、下载或部署
`save_state`	模型权重和优化器状态，即完整 checkpoint	后续从断点继续训练
`save_weights_and_get_sampling_client`	临时模型权重，并立即返回已加载该权重的 `SamplingClient`	训练循环中用最新策略采样

如果你仅希望保存权重，而无需保存优化器状态，使用 save_weights_for_sampler：

result = training_client.save_weights_for_sampler(name="sampler").result()

如果你希望同时保存权重和优化器状态，以便后续继续训练，使用 save_state：

result = training_client.save_state(name="train").result()

这样保存的权重在 WebUI 的类型上会显示为「Train」，并拥有比「Sampler」类型更大的存储占用，因为其中包含了优化器状态：

⚠️ 需要注意的是，类型为「Train」的权重只用于续训，类型为「Sampler」的权重只用于采样。请根据下一步用途选择对应 API。

保存临时权重

save_weights_and_get_sampling_client 会把当前模型权重保存到一个临时存档，并立即返回已加载该权重的 SamplingClient：

sampling_client = training_client.save_weights_and_get_sampling_client()
sampling_client.sample(...)

临时权重不会出现在控制台的「权重」选项卡中，并会在一段时间后自动删除。

这种方式适合强化学习等场景：训练循环需要持续从最新策略采样，但这些中间权重不需要长期占用存储空间。