SKILLEMALL.ai
GitHub ↗ EN Войти

BF nemo-automodel-recipe-development

Создание и изменение рецептов обучения и оценки NeMo AutoModel, включая структуру YAML, построители и поток выполнения. Используйте при создании или изменении рецептов обучения, SFT или оценки, добавлении новых полей конфигурации YAML, отладке построения рецептов или проблем с тренером, или понимании потока выполнения рецептов.

машинный переводПоказать оригиналСкрыть оригинал«Create and modify NeMo AutoModel training and evaluation recipes, incl…»

Create and modify NeMo AutoModel training and evaluation recipes, including YAML structure, builders, and execution flow. Use when creating or modifying training, SFT, or eval recipes, adding new YAML config fields, debugging recipe construction or trainer issues, or understanding the recipe execution flow.

NVIDIA-NeMo/Automodel Agent Skills автор: NVIDIA-NeMo 4 файла тело ≈ 2 864 токенов Открыть источникgithub.com↗ проанализирован 8 ч назад

Создание и изменение рецептов обучения и оценки NeMo AutoModel, включая структуру YAML, построители и поток выполнения.

Как процесс F 34/100 · Процесс не описан — Скилл ссылается на файлы, которых нет в архиве: ../../docs/guides/mixed-precision-training.mdx

АнализаторРазработкаИнфраструктураДанные и аналитикатип 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
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
79
Прогон на моделях
не было
Процессный рейтинг
F
34/100
Процесс не описан
Скилл ссылается на файлы, которых нет в архиве: ../../docs/guides/mixed-precision-training.mdx
Инструменты и файлы вес 18
0
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
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

  • предупреждение missing-ref ссылка на отсутствующий файл: ../../docs/guides/mixed-precision-training.mdx

Процессный рейтинг: все десять параметров 34/100

Не запустится. Скилл ссылается на файлы, которых нет в архиве: ../../docs/guides/mixed-precision-training.mdx
  • 0Инструменты и файлы. Не хватает 1 файла(ов): ../../docs/guides/mixed-precision-training.mdx
  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 30Повторный запуск. Изменяющих операций: 5, без проверки текущего состояния
  • 50Когда включается. Не сказано, при каком запросе скилл включается
  • 85Шаги. Шагов: 58, расплывчатых формулировок: 3
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2864 токенов
  • 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 308 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 27 заголовков
  • +3Пошаговые инструкции: 58 пунктов
  • +4Есть примеры (7 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.