SKILLEMALL.ai
GitHub ↗ EN Войти

CD nemo-evaluator-sdk

Оценивает LLM по 100+ бенчмаркам из 18+ фреймворков (MMLU, HumanEval, GSM8K, безопасность, VLM) с многобэковой архитектурой. Используйте при необходимости масштабируемой оценки на локальном Docker, Slurm HPC или облачных платформах. Корпоративная платформа NVIDIA с архитектурой, ориентированной на контейнеры, для воспроизводимого бенчмаркинга.

машинный переводПоказать оригиналСкрыть оригинал«Evaluates LLMs across 100+ benchmarks from 18+ harnesses (MMLU, HumanE…»

Evaluates LLMs across 100+ benchmarks from 18+ harnesses (MMLU, HumanEval, GSM8K, safety, VLM) with multi-backend execution. Use when needing scalable evaluation on local Docker, Slurm HPC, or cloud platforms. NVIDIA's enterprise-grade platform with container-first architecture for reproducible benchmarking.

synthetic-sciences/OpenScience Hermes автор: synthetic-sciences Apache-2.0 5 файлов тело ≈ 2 910 токенов Открыть источникgithub.com↗ проанализирован 5 дн назад

Оценивает LLM по 100+ бенчмаркам из 18+ фреймворков (MMLU, HumanEval, GSM8K, безопасность, VLM) с многобэковой архитектурой.

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, ошибки и развилки

ИнтеграцияDockerGitHubИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: Hermes Agent
JSON
Технический рейтинг
C
89/100
безопасность, качество, тесты
Безопасность 60%
95
Качество 40%
80
Прогон на моделях
не было
Процессный рейтинг
D
46/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Ошибки и развилки вес 10
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.

Утечка данных средняя серьёзность

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

Если установить

Инструкции или скрипты отправляют данные наружу: переменные окружения, ключи, содержимое файлов, историю чата. Вы можете не заметить этого в диалоге, потому что агент выполнит отправку как «часть задачи».

Автору

Если отправка не нужна для задачи, уберите её: каталоги помечают такие скиллы как подозрительные и снимают с выдачи. Если нужна, назовите адрес явно, объясните, что именно уходит, и дайте пользователю выключатель.

Как улучшить

  1. Для Hermes description должен быть одним предложением до 60 символов; условия применения вынесите в раздел «When to Use».
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 Утечка данных net-credential-use references/execution-backends.md:353
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -H "Authorization: Bearer $LEPTON_API_TOKEN" \

Просканировано файлов: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-long-hermes description 309 символов, а стандарт Hermes требует ≤ 60 (одно предложение, с точкой)
  • заметка frontmatter-key неизвестное поле фронтматтера "dependencies"

Процессный рейтинг: все десять параметров 46/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 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
  • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (nemo-evaluator-sdk) не совпадает с папкой (nemo-evaluator)
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 100Шаги. Шагов: 17
  • 100Стоимость исполнения. Тело инструкции 2910 токенов
  • low Разделов верхнего уровня: 11. 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

  • +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
  • -2Ссылки на localhost: у другого пользователя не заработает
  • +2Инструкции на одном языке
  • +3Длина description 309 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 16 заголовков
  • +3Пошаговые инструкции: 17 пунктов
  • +4Есть примеры (28 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (4 из 4)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 80.