SKILLEMALL.ai
GitHub ↗ EN Войти

CC tao-generate-video-reasoning-annotations

Многоэтапный конвейер аннотации видео, который преобразует необработанные видео в обучающие данные Chain-of-Thought — многоуровневые описания, структурированные описания и пары вопросов и ответов (множественный выбор, бинарные, открытые) с трассировками рассуждений, с помощью дистилляции VLM/LLM. Используется, когда пользователь хочет "создать обучающие данные для видео", "сгенерировать наборы данных вопросов и ответов для видео", "построить трассировки рассуждений CoT из видео", "автоматически аннотировать видео" или запустить конвейер video_reasoning_annotation. Триггеры включают "аннотация видео", "видео CoT", "вопросы и ответы по видео", "цепочка рассуждений", "конвейер описания видео", "дистилляция видео".

машинный переводПоказать оригиналСкрыть оригинал«Multi-step video annotation pipeline that turns raw videos into Chain-…»

Multi-step video annotation pipeline that turns raw videos into Chain-of-Thought training data — multi-level captions, structured descriptions, and QA pairs (MCQ, binary, open-ended) with reasoning traces, via VLM/LLM distillation. Use when the user wants to "create video training data", "generate video QA datasets", "build CoT reasoning traces from videos", "auto-label videos", or run the video_reasoning_annotation pipeline. Triggers include "video annotation", "video CoT", "video QA", "chain-of-thought", "video captioning pipeline", "video distillation".

ClawHub Agent Skills автор: NVIDIA 1 файл тело ≈ 2 542 токенов Открыть источникclawhub.ai↗ проанализирован 6 дн назад

Многоэтапный конвейер аннотации видео, который преобразует необработанные видео в обучающие данные Chain-of-Thought — многоуровневые описания…

Как процесс C 54/100 · Есть пробелы — Скилл ссылается на файлы, которых нет в архиве: references/domain_adaptation.md, references/configuration.md, references/prompts_traffic.py

ПроцедураМедиа и видеоИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw 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) Goose OpenCode
JSON
Технический рейтинг
C
88/100
безопасность, качество, тесты
Безопасность 60%
95
Качество 40%
78
Прогон на моделях
не было
Процессный рейтинг
C
54/100
Есть пробелы
Скилл ссылается на файлы, которых нет в архиве: references/domain_adaptation.md, references/configuration.md, references/prompts_traffic.py
Инструменты и файлы вес 18
0
Результат и критерий готовности вес 14
0
Отчётность по ходу вес 2
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.

Широкие права средняя серьёзность

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

Если установить

Скилл просит больше прав, чем нужно для задачи: широкий доступ к инструментам, секретные переменные окружения, бинарные файлы. Каждое лишнее право расширяет ущерб при ошибке или взломе.

Автору

Сузьте allowed-tools и список переменных до минимума, замените бинарники на исходники или скрипты, которые можно прочитать.

Как улучшить

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

✓ Критических и высоких находок нет

Средние и низкие: 1
  • средняя Широкие права meta-broad-allowed-tools SKILL.md:1
    Заранее разрешены широкие инструменты: Bash
    allowed-tools: Read Bash Write

Просканировано файлов: 1. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение missing-ref ссылка на отсутствующий файл: references/domain_adaptation.md
  • предупреждение missing-ref ссылка на отсутствующий файл: references/configuration.md
  • предупреждение missing-ref ссылка на отсутствующий файл: references/prompts_traffic.py
  • предупреждение missing-ref ссылка на отсутствующий файл: references/prompts_warehouse.py

Процессный рейтинг: все десять параметров 54/100

Не запустится. Скилл ссылается на файлы, которых нет в архиве: references/domain_adaptation.md, references/configuration.md, references/prompts_traffic.py
  • 0Инструменты и файлы. Не хватает 4 файла(ов): references/domain_adaptation.md, references/configuration.md, references/prompts_traffic.py
  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
  • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 85Шаги. Шагов: 28, расплывчатых формулировок: 1
  • 100Ошибки и развилки. Развилок: 3, есть раздел про ошибки
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2542 токенов
  • low Разделов верхнего уровня: 10. 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

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +2Инструкции на одном языке
  • +5В description 10 примера фраз-триггеров в кавычках
  • +3Длина description 562 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 16 заголовков
  • +3Пошаговые инструкции: 28 пунктов
  • +4Есть примеры (4 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 78.