软件下载帮助文档新闻资讯

Skill UI

浏览并发现 16567+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索可复现性，共找到 49 条记录

默认排序最新上传最多下载

Hugging Face云工作流执行

hugging-face-jobs

sickn33/antigravity-awesome-skills

用于在Hugging Face的托管云基础设施上执行复杂的计算工作负载。无需本地环境配置，支持使用云端的CPU、GPU或TPU资源。适用于大规模数据处理、批处理推理、可复现的模型训练和周期性自动化任务，并将结果持久化到Hugging Face Hub。

PyTorch模型因果干预

pyvene-interventions

Orchestra-Research/AI-Research-SKILLs

pyvene是一个用于在PyTorch模型上执行因果干预的声明式框架。它支持激活打补丁、因果追踪（ROME风格）和交替干预训练等高级实验。适用于需要测试模型因果假设、深入理解模型组件工作机制或确保可复现性的AI研究场景。

托管智能体开发基础设施

sickn33/antigravity-awesome-skills

本技能提供在远程沙箱环境中运行AI智能体的基础设施。它解决了本地资源限制和环境不一致性问题，提供无限并发和可复现的执行环境。适用于构建复杂的后台编程智能体、多客户端集成，以及需要大规模扩展的AI工作流系统。

大模型链评估与回归测试

langchain-eval-harness

jeremylongshore/claude-code-plugins-plus-skills

本工具提供了一套全面的、可复现的LLM链和智能体评估系统。它集成了黄金数据集管理、LangSmith评估、RAGAS指标、deepeval LLM判别等功能。适用于为新构建的链条设置质量基线、诊断模型切换后的性能退化，以及在CI/CD流程中设置回归检测门禁。

运行DeepSWE编程代理基准测试

sickn33/antigravity-awesome-skills

用于对大型语言模型（LLM）进行全面的编码代理能力评估。它通过DeepSWE基准测试，使用OpenRouter和mini-swe-agent，对113个任务进行评测，生成可复现的性能得分和评估报告。适用于模型能力对比、开发评估和学术研究。

顶会AI实验设计与审计指南

aaai-experiments

brycewang-stanford/Awesome-Journal-Skills

本指南提供了一套完整的AI实验设计和审计流程，适用于顶级AI会议投稿。它指导研究人员如何构建强有力的实验证据，涵盖基线对比、消融实验、鲁棒性测试、统计分析和可复现性报告。使用此流程确保所有AI贡献都得到充分、严谨的实证支持，提升论文的科学可信度和可解释性。

AI论文可复现性审核指南

aaai-reproducibility

brycewang-stanford/Awesome-Journal-Skills

本指南帮助研究人员提高AI学术论文的实验可复现性，适用于投稿至顶级AI会议（如AAAI）。它指导作者建立“主张-证据”对照表，详细记录模型参数、随机种子、计算成本和数据集许可，确保研究的严谨性和可验证性。

AAMAS成果物评估指南

aamas-artifact-evaluation

brycewang-stanford/Awesome-Journal-Skills

本指南为学术论文（尤其针对AAMAS）提供了一套完善的成果物打包流程，用于支持多智能体系统（MARL）和博弈论的复杂证据。它强调成果物必须高度可检查和可复现，内容涵盖游戏定义、环境代码、对手设置和交互协议，而不能仅是模型本身，以保证学术评审的严谨性。

学术研究产出物提交指南

acl-artifact-evaluation

brycewang-stanford/Awesome-Journal-Skills

本指南详细介绍了NLP研究论文的证据包（如代码、数据集、提示词、模型输出）的打包和提交要求。它强调了科研的可复现性、如何遵循负责任的NLP清单，以及在学术会议（如ACL）上进行匿名化处理和后续公开发布的完整流程。

ACL论文结构与补充材料指南

acl-supplementary

brycewang-stanford/Awesome-Journal-Skills

本指南为作者准备ACL会议投稿提供详细指导，教您如何有效划分论文内容到正文、必须的局限性声明、可选的伦理声明和补充存档中。学习如何在结构上确保关键发现对审稿人可见，最大化研究的复现性，并为附录设计最佳实践。

多媒体研究结果可复现性指南

acmmm-reproducibility

brycewang-stanford/Awesome-Journal-Skills

本指南旨在帮助研究人员确保多媒体领域的实验结果具备高度可复现性。它详细阐述了从代码提交、数据版本、媒体预处理参数到硬件环境记录等关键步骤，确保独立评审人员能够重现论文报告的全部结果。

人工智能研究可复现性指南

cikm-reproducibility

brycewang-stanford/Awesome-Journal-Skills

本指南概述了复杂人工智能和知识图谱研究的可复现性最佳实践。它详细指导研究者如何记录和固定从数据预处理、模型训练到大模型提示词等所有环节的细节，确保即使使用了专有数据，研究结果也能被同行充分验证。

12 3 4 5 下一页

语言