BB vlm-ocr
Обработка отсканированных или только графических корпусов с помощью визуально-языковых моделей в три этапа. Используйте `evaluate` для сравнения кандидатов OCR с учетом стратифицированных эталонных данных от человека и выбора лучшего по показателям CER/WER, `run` для создания производственного конвейера (выбор модели, обработка изображений, промпты, архитектура, пакетирование, оценка точности, воспроизводимость) и `clean` для исправления необработанного текста OCR с помощью LLM и правил, диагностики качества, многоязычной обработки и отслеживания на уровне фрагментов. Не для документов, созданных в цифровом виде и имеющих текстовый слой — они обрабатываются через $doc-to-markdown.
машинный переводПоказать оригиналСкрыть оригинал«OCR scanned or image-only corpora with vision-language models, in thre…»
OCR scanned or image-only corpora with vision-language models, in three phases. Use `evaluate` to compare candidate OCR systems against stratified human ground truth and pick one on measured CER/WER, `run` to build the production pipeline (model selection, image handling, prompts, architecture, batching, accuracy evaluation, reproducibility), and `clean` to correct raw OCR text with LLM and rule-based passes, quality diagnostics, multilingual handling, and span-level provenance. Not for born-digital documents with a text layer — those go to $doc-to-markdown.
Обработка отсканированных или только графических корпусов с помощью визуально-языковых моделей в три этапа.
Как процесс B 67/100 · Почти готов — слабые места: входы и предусловия, стоимость исполнения
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: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
body-longтело SKILL.md ≈ 12084 токенов (рекомендуется < 5000); вынесите детали в references/
Процессный рейтинг: все десять параметров 67/100
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 40Стоимость исполнения. Тело инструкции 12084 токенов: вытесняет саму задачу из окна
- 50Когда включается. Не сказано, при каком запросе скилл включается
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
- 85Шаги. Шагов: 166, расплывчатых формулировок: 1
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Согласованность. Имя и обязательные поля на месте
- 100Повторный запуск. Изменяющие операции проверяют текущее состояние
- 100Отчётность по ходу. Скилл сообщает о ходе работы
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
- low Скилл сам сортирует и ранжирует выдачу: это работа системы на той стороне, а не модели
- high Скилл велит модели самой совершать необратимое действие, без подтверждения человеком
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
- +4Нет примеров входа/выхода
- +1Лицензия не указана
- +2Инструкции на одном языке
- +4Описание говорит, когда скилл НЕ применять
- +3Длина description 564 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 33 заголовков
- +3Пошаговые инструкции: 166 пунктов
- +3Формат ответа описан явно
- +4Справочные файлы упоминаются в инструкциях (2 из 2)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 81.