SKILLEMALL.ai
GitHub ↗ EN Войти

AD training-llms-megatron

Обучает большие языковые модели (от 2 до 462 миллиардов параметров) с использованием NVIDIA Megatron-Core с продвинутыми стратегиями параллелизма. Используйте при обучении моделей с более чем 1 миллиардом параметров, когда требуется максимальная эффективность GPU (47% MFU на H100) или необходим параллелизм тензоров/конвейера/последовательности/контекста/экспертов. Готовый к производству фреймворк, используемый для Nemotron, LLaMA, DeepSeek.

машинный переводПоказать оригиналСкрыть оригинал«Trains large language models (2B-462B parameters) using NVIDIA Megatro…»

Trains large language models (2B-462B parameters) using NVIDIA Megatron-Core with advanced parallelism strategies. Use when training models >1B parameters, need maximum GPU efficiency (47% MFU on H100), or require tensor/pipeline/sequence/context/expert parallelism. Production-ready framework used for Nemotron, LLaMA, DeepSeek.

davila7/claude-code-templates Agent Skills автор: davila7 MIT 5 файлов тело ≈ 2 262 токенов Открыть источникgithub.com↗ проанализирован 6 дн назад

Обучает большие языковые модели (от 2 до 462 миллиардов параметров) с использованием NVIDIA Megatron-Core с продвинутыми стратегиями параллелизма.

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

ПроцедураИИ и агентытип 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
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
88
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

Такой же скилл встречается ещё в 1 месте: AI-Research-SKILLs

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: 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
    • 40Согласованность. Имя во frontmatter (training-llms-megatron) не совпадает с папкой (distributed-training-megatron-core)
    • 60Инструменты и файлы. Используются инструменты (node), но во frontmatter они не объявлены
    • 100Шаги. Шагов: 33
    • 100Стоимость исполнения. Тело инструкции 2262 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 329 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 11 заголовков
    • +3Пошаговые инструкции: 33 пунктов
    • +4Есть примеры (22 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (4 из 4)
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.