SKILLEMALL.ai

CB evaluation

Оценивает точность квантованных или неквантованных LLM с помощью NeMo Evaluator Launcher (NEL). Активируется по запросам «оценить модель», «измерить точность», «запустить MMLU», «оценить квантованную модель», «запустить nel». Обрабатывает развертывание, генерацию конфигурации и выполнение оценки. Всегда загружается при проверке завершенных запусков или отчетности по результатам оценки, включая анализ автономных запусков оценок. Не для квантования моделей (используйте ptq), автономного обслуживания (используйте deployment) или сравнения завершенных результатов базовой версии с квантованной (используйте compare-results).

машинный переводПоказать оригиналСкрыть оригинал«Evaluates accuracy of quantized or unquantized LLMs using NeMo Evaluat…»

Evaluates accuracy of quantized or unquantized LLMs using NeMo Evaluator Launcher (NEL). Triggers on "evaluate model", "benchmark accuracy", "run MMLU", "evaluate quantized model", "run nel". Handles deployment, config generation, and evaluation execution. Always load when validating completed runs or reporting evaluation scores, including standalone launching-evals analysis. Not for quantizing models (use ptq), standalone serving (use deployment), or comparing completed baseline-vs-quantized results (use compare-results).

NVIDIA/Model-Optimizer Agent Skills автор: NVIDIA Apache-2.0 34 файла · 4 скрипта тело ≈ 1 920 токенов Открыть источникgithub.com↗ проанализирован 4 ч назад

Оценивает точность квантованных или неквантованных LLM с помощью NeMo Evaluator Launcher (NEL).

Как процесс B 71/100 · Почти готов — слабые места: результат и критерий готовности, повторный запуск, отчётность по ходу

АнализаторИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
C
88/100
безопасность, качество, тесты
Безопасность 60%
80
Качество 40%
100
Прогон на моделях
не было
Процессный рейтинг
B
71/100
Почти готов
Результат и критерий готовности вес 14
0
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
три самых слабых из десяти параметров · все десять

Как улучшить

    Для прогона на моделях — необязательно
    • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

    Находки guard · 20

    ✓ Критических и высоких находок нет

    Средние и низкие: 20
    • низкая Утечка данных read-dotenv recipes/examples/example_eval_next.yaml:9
      Чтение файла .env (комментарий в коде; тестовый файл / пример)
      #   set -a && source .env && set +a    # HF_TOKEN, AWS_*, NEL_NEXT_EVAL_IMAGE, HARBOR_*_ECR_REPOSITORY (from modelopttools:eval-config)
      комментарийтестовый файл
    • низкая Секреты в коде secret-high-entropy-token recipes/examples/example_eval.yaml:78
      Строка, похожая на токен (может быть id, хеш или секрет) (тестовый файл / пример)
      # a card-documented toggle — e.g. NVFP4 MoE (NVID…FP4)
      тестовый файл
    • низкая Опасные команды cmd-pipe-to-shell-known-host recipes/examples/gym/example_mrcr.yaml:134
      Установщик через pipe в shell с известного хоста (всё равно выполняет удалённый код) (тестовый файл / пример)
      command -v uv >/dev/null 2>&1 || { curl -LsSf https://astral.sh/uv/install.sh | sh; export PATH="/root/.local/bin:$PATH"; }
      тестовый файл
    • низкая Опасные команды cmd-background-process recipes/examples/gym/example_mrcr.yaml:265
      Запуск фонового / автозапускаемого процесса (тестовый файл / пример)
      setsid --wait bash /tmp/gym_run.sh &
      тестовый файл
    • низкая Секреты в коде secret-high-entropy-token recipes/tasks/aa/gpqa_diamond.md:29
      Строка, похожая на токен (может быть id, хеш или секрет) (в кавычках — упоминание, а не команда)
      Result (0-100): `gpqa…ect`
      в кавычках
    • низкая Секреты в коде secret-high-entropy-token recipes/tasks/aa/ifbench.md:25
      Строка, похожая на токен (может быть id, хеш или секрет) (в кавычках — упоминание, а не команда)
      Result (0-100): `ifbe…acy`
      в кавычках
    • низкая Секреты в коде secret-high-entropy-token recipes/tasks/aa/lcr.md:66
      Строка, похожая на токен (может быть id, хеш или секрет) (в кавычках — упоминание, а не команда)
      Result (0-100): `aalc…ect`
      в кавычках
    • низкая Секреты в коде secret-high-entropy-token recipes/tasks/aa/omniscience.md:42
      Строка, похожая на токен (может быть id, хеш или секрет) (в кавычках — упоминание, а не команда)
      **Primary result — Omniscience Index** (-100 to 100): `omni…dex`. This is AA's headline metric: accuracy net of hallucinations, rewarding abstention over guessin
      в кавычках
    • низкая Секреты в коде secret-high-entropy-token recipes/tasks/aa/omniscience.md:46
      Строка, похожая на токен (может быть id, хеш или секрет) (в кавычках — упоминание, а не команда)
      - **Accuracy** (0-100): `omni…ect` — % of questions answered correctly.
      в кавычках
    • низкая Секреты в коде secret-high-entropy-token recipes/tasks/aime_2025.md:42
      Строка, похожая на токен (может быть id, хеш или секрет) (в кавычках — упоминание, а не команда)
      Result (0-1): `AIME…f_N`
      в кавычках
    • низкая Секреты в коде secret-high-entropy-token recipes/tasks/livecodebench.md:39
      Строка, похожая на токен (может быть id, хеш или секрет) (в кавычках — упоминание, а не команда)
      Result (0-100): `live…acy`
      в кавычках
    • низкая Опасные команды cmd-background-process references/gym.md:87
      Запуск фонового / автозапускаемого процесса (в кавычках — упоминание, а не команда)
      via a **quoted heredoc** and launched under `setsid`, so the whole server/Ray
      в кавычках
    • низкая Опасные команды cmd-background-process references/gym.md:174
      Запуск фонового / автозапускаемого процесса
      the setsid + process-group reap in the task `command:` prevents.
    • низкая Секреты в коде secret-high-entropy-token references/launcher-workflow.md:129
      Строка, похожая на токен (может быть id, хеш или секрет)
      Some models need extra vLLM backend env vars (model-card research) — e.g. `VLLM…END=marlin` (Nemotron Super), or `VLLM…FP4=1` + `VLLM_FLASHINFER_MOE_BACKEND=throughpu
    • низкая Утечка данных read-dotenv references/launcher-workflow.md:419
      Чтение файла .env
      set -a && source .env && set +a
    • низкая Утечка данных read-dotenv references/nel-next.md:58
      Чтение файла .env (определение детектора / чёрного списка)
      - `set -a && source .env && set +a` before running so `${VAR}` resolves.
      детектор
    • низкая Утечка данных read-dotenv references/nel-next.md:228
      Чтение файла .env
      set -a && source .env && set +a; NEL="$SKILL_DIR/scripts/nel-next.sh"
    • низкая Утечка данных read-dotenv scripts/nel-next.sh:26
      Чтение файла .env (комментарий в коде)
      # Usage (source .env FIRST so the config's ${VAR}s resolve; this never reads secrets):
      комментарий
    • низкая Утечка данных read-dotenv scripts/nel-next.sh:33
      Чтение файла .env (определение детектора / чёрного списка; комментарий в коде)
      #     emit_traces=false to avoid the per-sample hang). Run after `source .env`.
      детекторкомментарий
    • низкая Опасные команды cmd-pipe-to-shell-known-host scripts/nel-next.sh:132
      Установщик через pipe в shell с известного хоста (всё равно выполняет удалённый код) (строковый литерал в коде, не выполняется)
      command -v uvx >/dev/null 2>&1 || { echo "ERROR: 'uvx' not found (curl -LsSf https://astral.sh/uv/install.sh | sh)" >&2; exit 1; }
      строка в коде

    Просканировано файлов: 31. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 71/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 8, без проверки текущего состояния
    • 60Инструменты и файлы. Используются инструменты (bash, node), но во frontmatter они не объявлены
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 11
    • 100Когда включается. Сказано, когда применять и когда не применять
    • 100Ошибки и развилки. Развилок: 3, есть раздел про ошибки
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1920 токенов
    • medium Тестов 14, и все положительные: нет ни одного случая «должен отказать» или «должен переспросить»
    • low Среди тестов нет случая на инъекцию через данные

    Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

    Сигналы качества

    • +3Формат ответа не описан: модель каждый раз решает сама
    • +2Инструкции на одном языке
    • +5В description 5 примера фраз-триггеров в кавычках
    • +4Описание говорит, когда скилл НЕ применять
    • +3Длина description 528 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 16 заголовков
    • +3Пошаговые инструкции: 11 пунктов
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (6 из 11)
    • +3Все 2 скриптов описаны в инструкциях
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 100.