BC speculative-decoding
Обучает, отлаживает и проверяет черновую модель спекулятивного декодирования (EAGLE3, DFlash, DSpark, Domino) через конвейер запуска ModelOpt. Используйте, когда пользователь хочет добавить новую модель в конвейер черновой подготовки, спрашивает, почему сбой в конвейере, хочет, чтобы были проверены логи экспериментов, или хочет проверить, соответствует ли коэффициент принятия запуска пороговому значению. Активируется по запросам «EAGLE3», «DFlash», «DSpark», «Domino», «черновая модель», «коэффициент принятия», «конвейер спекулятивного декодирования». НЕ используйте для квантования модели (используйте ptq) или обслуживания чекпойнтов (используйте deployment).
машинный переводПоказать оригиналСкрыть оригинал«Train, debug, and validate a speculative decoding draft model (EAGLE3,…»
Train, debug, and validate a speculative decoding draft model (EAGLE3, DFlash, DSpark, Domino) through the ModelOpt launcher pipeline. Use when the user wants to add a new model to a draft-training pipeline, asks why a pipeline run failed, wants experiment logs reviewed, or wants to check whether a run's acceptance rate meets threshold. Triggers on "EAGLE3", "DFlash", "DSpark", "Domino", "draft model", "acceptance rate", "speculative decoding pipeline". Do NOT use for quantizing a model (use ptq) or serving a checkpoint (use deployment).
Обучает, отлаживает и проверяет черновую модель спекулятивного декодирования (EAGLE3, DFlash, DSpark, Domino) через конвейер запуска ModelOpt.
Как процесс C 56/100 · Есть пробелы — Скилл ссылается на файлы, которых нет в архиве: references/algorithms/<algorithm>.md, examples/speculative_decoding/, scripts/{export_hf_checkpoint,ar_validate,quantize_drafter}.py
Как улучшить
- В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 12. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
missing-refссылка на отсутствующий файл: references/algorithms/<algorithm>.md - предупреждение
missing-refссылка на отсутствующий файл: examples/speculative_decoding/ - предупреждение
missing-refссылка на отсутствующий файл: scripts/{export_hf_checkpoint,ar_validate,quantize_drafter}.py - заметка
frontmatter-keyнеизвестное поле фронтматтера "user_invocable"
Процессный рейтинг: все десять параметров 56/100
- 0Инструменты и файлы. Не хватает 3 файла(ов): references/algorithms/<algorithm>.md, examples/speculative_decoding/, scripts/{export_hf_checkpoint,ar_validate,quantize_drafter}.py
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 40Результат и критерий готовности. Не сказано, что считать результатом
- 55Ошибки и развилки. Развилок: 1
- 100Шаги. Шагов: 7
- 100Когда включается. Сказано, когда применять и когда не применять
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1180 токенов
- 100Повторный запуск. Изменяющих операций нет
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
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 7 примера фраз-триггеров в кавычках
- +4Описание говорит, когда скилл НЕ применять
- +3Длина description 543 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 6 заголовков
- +3Пошаговые инструкции: 7 пунктов
- +4Есть примеры (1 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 80.