SKILLEMALL.ai
GitHub ↗ EN Войти

BC qwen-mm-plugins-api

Понимайте изображения, видео и аудио с помощью размещенных или самостоятельно размещенных модельных сервисов через инструменты MCP. Используйте для визуальных вопросов, OCR, привязки объектов, транскрипции речи, диаризации дикторов, субтитров с временными метками, локализации/подсчета событий, описания музыки или сегментации. Включает инструменты моделей VL и Omni, универсальный чат Omni, transcribe_audio (Qwen3-ASR) и сегментацию (SAM3).

машинный переводПоказать оригиналСкрыть оригинал«Understand images, video, and audio using hosted or self-hosted model…»

Understand images, video, and audio using hosted or self-hosted model services through MCP tools. Use for visual questions, OCR, object grounding, speech transcription, speaker diarization, timestamped captions, event localization/counting, music captioning, or segmentation. Includes VL and Omni model tools, general-purpose Omni chat, transcribe_audio (Qwen3-ASR), and segmentation (SAM3).

QwenLM/Qwen-MM-Plugins Agent Skills автор: QwenLM 2 файла · 1 скрипт тело ≈ 2 082 токенов Открыть источникgithub.com↗ проанализирован 5 дн назад

Понимайте изображения, видео и аудио с помощью размещенных или самостоятельно размещенных модельных сервисов через инструменты MCP.

Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, согласованность

ИнтеграцияМедиа и видеотип 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%
80
Прогон на моделях
не было
Процессный рейтинг
C
51/100
Есть пробелы
Результат и критерий готовности вес 14
0
Отчётность по ходу вес 2
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

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 · 0

    ✓ Критических и высоких находок нет

    Просканировано файлов: 2. 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 51/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
    • 40Согласованность. Имя во frontmatter (qwen-mm-plugins-api) не совпадает с папкой (skill)
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 23
    • 100Стоимость исполнения. Тело инструкции 2082 токенов

    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
    • +4Нет примеров входа/выхода
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 391 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 5 заголовков
    • +3Пошаговые инструкции: 23 пунктов

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 80.