SKILLEMALL.ai
GitHub ↗ EN Войти

BD evaluating-llms-harness

lm-eval-harness: бенчмаркинг LLM (MMLU, GSM8K и т. д.).

машинный переводПоказать оригиналСкрыть оригинал«lm-eval-harness: benchmark LLMs (MMLU, GSM8K, etc.).…»

lm-eval-harness: benchmark LLMs (MMLU, GSM8K, etc.).

NousResearch/hermes-agent Hermes автор: NousResearch MIT 5 файлов тело ≈ 2 950 токенов Открыть источникgithub.com↗ проанализирован 31 ч назад

lm-eval-harness: бенчмаркинг LLM (MMLU, GSM8K и т.

Как процесс D 41/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторGitHubИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: Hermes Agent
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
90
Качество 40%
85
Прогон на моделях
не было
Процессный рейтинг
D
41/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Чем это грозит

Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.

Опасные команды средняя серьёзность

Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.

Если установить

Скилл содержит команды, которые удаляют файлы, переписывают диски или исполняют код, скачанный из сети. Агент может выполнить их без вопроса, если считает, что так требует инструкция.

Автору

Замените разрушительные команды на безопасные аналоги с подтверждением, ограничьте область действия конкретной папкой и не тяните код через curl | bash: укажите версию и контрольную сумму.

Как улучшить

    Для прогона на моделях — необязательно
    • 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 · 2

    ✓ Критических и высоких находок нет

    Средние и низкие: 2
    • средняя Опасные команды cmd-eval-dynamic SKILL.md:206
      Динамическое выполнение кода из декодированного/недоверенного ввода
      os.system(f"./eval_checkpoint.sh checkpoints step-{step}")
    • средняя Опасные команды cmd-eval-dynamic SKILL.md:223
      Динамическое выполнение кода из декодированного/недоверенного ввода
      os.system(f"lm_eval --model hf --model_args pretrained={checkpoint_path} ...")

    Просканировано файлов: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "dependencies"

    Процессный рейтинг: все десять параметров 41/100

    • 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
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 60Согласованность. Диалект Hermes требует category и tags
    • 85Шаги. Шагов: 35, расплывчатых формулировок: 2
    • 100Стоимость исполнения. Тело инструкции 2950 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

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +3Длина description 52: рекомендуется 120–800 символов
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +2Инструкции на одном языке
    • +4Структура: 13 заголовков
    • +3Пошаговые инструкции: 35 пунктов
    • +4Есть примеры (34 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (4 из 4)
    • +1Лицензия указана

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