AC liquid-neural-network
Создание, обучение и анализ жидкостных нейронных сетей (LNN) — сетей с жидкостным постоянным временем (LTC) и замкнутой формой непрерывного времени (CfC) с разреженными схемами подключения нейронных цепей (NCP), используя библиотеку ncps на PyTorch. Активируйте, когда пользователь просит создать/обучить жидкостную нейронную сеть, LNN, LTC, CfC или модель NCP, выполнить моделирование последовательностей в непрерывном времени или на основе ОДУ, или подогнать небольшие робастные рекуррентные модели для прогнозирования временных рядов. Предоставляет скрипты/train_lnn.py (обучение на синтетических или CSV временных рядах, параметры подключения, сохранение модели), а также ссылки на теорию и API.
машинный переводПоказать оригиналСкрыть оригинал«Build, train, and inspect Liquid Neural Networks (LNNs) — liquid time-…»
Build, train, and inspect Liquid Neural Networks (LNNs) — liquid time-constant (LTC) and closed-form continuous-time (CfC) networks with Neural Circuit Policy (NCP) sparse wirings, using the ncps library on PyTorch. Activate when the user asks to build/train a liquid neural network, LNN, LTC, CfC, or NCP model, do continuous-time or ODE-based sequence modeling, or fit small robust recurrent models for time-series prediction. Provides scripts/train_lnn.py (synthetic or CSV time-series training, wiring options, model saving) plus theory and API references. | 构建、训练和检查液体神经网络（LNN）：基于 PyTorch 的 ncps 库，支持液体时间常数（LTC）与闭式连续时间（CfC）网络，以及神经回路策略（NCP）稀疏接线。当用户要求构建/训练液体神经网络、LNN、LTC、CfC 或 NCP 模型，进行连续时间或基于 ODE 的序列建模，或拟合小型稳健的时序预测循环模型时激活。提供 scripts/train_lnn.py（合成或 CSV 时序训练、接线选项、模型保存）以及理论与 API 参考。
Создание, обучение и анализ жидкостных нейронных сетей (LNN) — сетей с жидкостным постоянным временем (LTC) и замкнутой формой непрерывного времени (CfC) с…
Как процесс C 56/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, согласованность
Как улучшить
- 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: 9. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- заметка
frontmatter-keyнеизвестное поле фронтматтера "homepage"
Процессный рейтинг: все десять параметров 56/100
- 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
- 40Согласованность. Имя во frontmatter (liquid-neural-network) не совпадает с папкой (lnn)
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 22
- 100Когда включается. Сказано, когда применять и когда не применять
- 100Стоимость исполнения. Тело инструкции 2099 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)
- +3Формат ответа не описан: модель каждый раз решает сама
- +2Инструкции на одном языке
- +3Длина description 787 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 14 заголовков
- +3Пошаговые инструкции: 22 пунктов
- +4Есть примеры (5 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (2 из 2)
- +3Все 2 скриптов описаны в инструкциях
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 91.