LibMTL — 审核中的上游贡献
对 LibMTL 的一项命令行帮助修复，明确区分精确 fork、上游归属、项目功能与架构，以及尚未合并的贡献状态。
贡献状态与范围
我的 LibMTL 公开 fork 的默认分支与 Median Research Group 上游仓库 完全一致。我的改动单独保存在另一个分支的 commit 7261aaa，并通过上游 pull request #97提交。
补丁把 LibMTL/config.py 中只有空白字符的 argparse 帮助占位替换为简洁说明，并增加回归测试：禁止空白 help，同时确认 -h 能正常渲染。截至 2026-09-08，PR #97 为 open、非 draft、尚无 review，且未合并。因此这里把它表述为“已提交、审核中”的贡献，而不是已被上游接收的成果。
上游归属与指导边界
固定 commit 的上游 README将 Baijiong Lin 列为 LibMTL 的开发者与维护者，并记录上游作者和贡献者。此次修复回应由 imanfs 报告的 issue #90；审计时 PR #97 尚无维护者 review 或 comment。这里不声称本人是上游作者、改动已接收、得到维护者指导或存在学术导师关系。
LibMTL 的功能
LibMTL 是面向多任务学习的 PyTorch 库。它用统一接口组合共享／任务专属表示、损失或梯度加权策略、数据流水线、指标与实验设置，使多种方法可以在一致条件下训练和比较。仓库示例覆盖视觉、语言、办公域和分子数据基准。
原理与架构
多任务学习通过共享模型联合优化相关目标，同时控制不同任务之间的竞争。LibMTL 把两类选择分开：architecture 决定哪些表示共享或为任务专属，weighting strategy 负责组合各任务的损失或梯度；Trainer 统一协调数据加载、前后向传播、优化器、调度器、验证、指标和 checkpoint。任务专属 encoder、decoder、loss 与 metric 接入这一编排层，配置文件与命令行参数则以可复现方式选择具体组合。