BC llm-calibration-logprobs
Считывает неопределенность модели из логарифмических вероятностей токенов. Охватывает сбор логпробов и агрегирование многотокеновых меток, уровни уверенности и поля для сортировки, оценку калибровки с помощью ECE, показателей Брайера и диаграмм надежности, ответственное последующее использование уверенности и архивы воспроизводимости. Используйте, когда пользователь запрашивает уверенность классификатора по элементам, логпробы, топ-k токенов, калибровку, ECE, Brier, диаграммы надежности или маршрутизацию случаев с низкой уверенностью для проверки человеком. Это уверенность внутри модели. Согласие между независимыми моделями относится к model-council-voting, а кодексы и дизайн валидации — к text-classification.
машинный переводПоказать оригиналСкрыть оригинал«Reads model uncertainty from token log-probabilities. Covers collectin…»
Reads model uncertainty from token log-probabilities. Covers collecting logprobs and aggregating multi-token labels, confidence tiers and margins for triage, calibration assessment with ECE, Brier scores, and reliability diagrams, responsible downstream use of confidence, and reproducibility archives. Use when the user asks classifier confidence by item, logprobs, top-k tokens, calibration, ECE, Brier, reliability diagrams, or routing low-confidence cases to human review. This is within-model confidence. Independent-model agreement goes to model-council-voting, and codebook and validation design to text-classification.
Считывает неопределенность модели из логарифмических вероятностей токенов.
Как процесс C 52/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки
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: 1. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 52/100
- 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
- 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 70Стоимость исполнения. Тело инструкции 4701 токенов
- 100Шаги. Шагов: 58
- 100Согласованность. Имя и обязательные поля на месте
- 100Повторный запуск. Изменяющие операции проверяют текущее состояние
- 100Отчётность по ходу. Скилл сообщает о ходе работы
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
- +4Нет примеров входа/выхода
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 626 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 10 заголовков
- +3Пошаговые инструкции: 58 пунктов
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 80.