AC model-microbenchmark
Измеряет время прямого прохода модели vLLM для точных форм пакетов (декодирование, предварительное заполнение, предварительное заполнение с разбивкой на части, префиксный хит, проверка spec-decode или их комбинации) с помощью `vllm bench forward`, на одном GPU или DP/TP/EP на разных узлах. Используется для определения задержки модели на шаге, сравнения раскладок/параллелизма и проверки оптимизации на уровне модели. Не для отдельных ядер (используйте kernel-microbenchmark) или сквозного обслуживания (используйте `vllm bench serve`).
машинный переводПоказать оригиналСкрыть оригинал«Time a vLLM model's forward pass on exact batch shapes (decode, prefil…»
Time a vLLM model's forward pass on exact batch shapes (decode, prefill, chunked prefill, prefix hit, spec-decode verify, or mixes) with `vllm bench forward`, single-GPU or DP/TP/EP across nodes. Use for per-step model latency, layout/parallelism comparisons, and checking a model-level optimization. Not for single kernels (use kernel-microbenchmark) or end-to-end serving (use `vllm bench serve`).
Скилл обещает профилировать forward pass vLLM модели на конкретных batch-шейпах: decode, prefill, chunked prefill и их комбинации. Замеры идут через `vllm bench forward` на одном GPU или распределённо через DP/TP/EP.
Файл один, без скриптов. Описание содержит 1336 токенов и охватывает use-cases: per-step latency, сравнение layout и parallelism, проверка оптимизаций на уровне модели. Критических находок нет, quality score 88. Оценка A означает, что инструкция полна и логична.
Это не для профилирования отдельных ядер (есть kernel-microbenchmark) и не для end-to-end serving (есть `vllm bench serve`). Ставить, если нужны точные замеры латентности forward pass на конкретных конфигурациях и параллелизме.
Измеряет время прямого прохода модели vLLM для точных форм пакетов (декодирование, предварительное заполнение, предварительное заполнение с разбивкой на…
Как процесс C 57/100 · 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 57/100
- 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
- 50Когда включается. Не сказано, при каком запросе скилл включается
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 17
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1358 токенов
- 100Повторный запуск. Изменяющих операций нет
- low Ответ описан самодельной разметкой (3 тегов): типизированный вызов надёжнее
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
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +4Описание говорит, когда скилл НЕ применять
- +3Длина description 399 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 4 заголовков
- +3Пошаговые инструкции: 17 пунктов
- +4Есть примеры (3 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.