SKILLEMALL.ai
GitHub ↗ EN Войти

BC nemo-automodel-distributed-training

Руководство по выбору и настройке стратегий распределенного обучения в NeMo AutoModel, включая FSDP2, Megatron FSDP, DDP и настройки параллелизма. Используйте при добавлении или изменении стратегий распределенного обучения (FSDP2, HSDP, DDP), отладке сбоев на нескольких GPU или узлах, настройке параллелизма контекста или тензора, или оптимизации настроек шардинга.

машинный переводПоказать оригиналСкрыть оригинал«Guide for selecting and configuring distributed training strategies in…»

Guide for selecting and configuring distributed training strategies in NeMo AutoModel, including FSDP2, Megatron FSDP, DDP, and parallelism settings. Use when adding or modifying distributed training strategies (FSDP2, HSDP, DDP), debugging multi-GPU or multi-node failures, configuring context or tensor parallelism, or tuning sharding settings.

NVIDIA-NeMo/Automodel Agent Skills автор: NVIDIA-NeMo 4 файла тело ≈ 4 752 токенов Открыть источникgithub.com↗ проанализирован 8 ч назад

Руководство по выбору и настройке стратегий распределенного обучения в NeMo AutoModel, включая FSDP2, Megatron FSDP, DDP и настройки параллелизма.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, ошибки и развилки, повторный запуск

ПроцедураИнфраструктураРазработкатип и темы размечены автоматически по тексту скилла
Запускается в: Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) OpenClaw Goose OpenCode
JSON
Технический рейтинг
B
94/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
85
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
Результат и критерий готовности вес 14
0
Ошибки и развилки вес 10
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 · 0

    ✓ Критических и высоких находок нет

    Просканировано файлов: 3. 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 53/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 30Повторный запуск. Изменяющих операций: 5, без проверки текущего состояния
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 60Инструменты и файлы. Используются инструменты (python, node), но во frontmatter они не объявлены
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 70Стоимость исполнения. Тело инструкции 4752 токенов
    • 85Шаги. Шагов: 46, расплывчатых формулировок: 1
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Отчётность по ходу. Скилл сообщает о ходе работы
    • low Разделов верхнего уровня: 16. Похоже на несколько доменов в одном скилле
    • medium Тестов 3, и все положительные: нет ни одного случая «должен отказать» или «должен переспросить»

    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

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +2Инструкции на одном языке
    • +3Длина description 346 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 43 заголовков
    • +3Пошаговые инструкции: 46 пунктов
    • +4Есть примеры (30 блоков кода)
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 85.