AD transformers-js
Используйте Transformers.js для запуска передовых моделей машинного обучения непосредственно в JavaScript/TypeScript. Поддерживает NLP (классификация текста, перевод, суммирование), компьютерное зрение (классификация изображений, обнаружение объектов), аудио (распознавание речи, классификация аудио) и мультимодальные задачи. Работает в браузерах и серверных средах выполнения (Node.js, Bun, Deno) с использованием WebGPU/WASM и предварительно обученных моделей из Hugging Face Hub.
машинный переводПоказать оригиналСкрыть оригинал«Use Transformers.js to run state-of-the-art machine learning models di…»
Use Transformers.js to run state-of-the-art machine learning models directly in JavaScript/TypeScript. Supports NLP (text classification, translation, summarization), computer vision (image classification, object detection), audio (speech recognition, audio classification), and multimodal tasks. Works in browsers and server-side runtimes (Node.js, Bun, Deno) with WebGPU/WASM using pre-trained models from Hugging Face Hub.
Используйте Transformers.js для запуска передовых моделей машинного обучения непосредственно в JavaScript/TypeScript. Поддерживает NLP (классификация текста…
Как процесс D 44/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
- 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: 1. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
body-longтело SKILL.md ≈ 5995 токенов (рекомендуется < 5000); вынесите детали в references/
Процессный рейтинг: все десять параметров 44/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 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
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 60Инструменты и файлы. Используются инструменты (git, python, node), но во frontmatter они не объявлены
- 70Стоимость исполнения. Тело инструкции 5995 токенов
- 85Шаги. Шагов: 81, расплывчатых формулировок: 3
- 100Согласованность. Имя и обязательные поля на месте
- low Разделов верхнего уровня: 14. Похоже на несколько доменов в одном скилле
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 425 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 61 заголовков
- +3Пошаговые инструкции: 81 пунктов
- +4Есть примеры (41 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (7 из 7)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.