下载

Skill UI

浏览并发现 10029+ 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

搜索训练，共找到 83 条记录

默认排序最新上传最多下载

SLIME 强化训练框架

slime-rl-training

Orchestra-Research/AI-Research-SKILLs

为 GLM 系列大模型提供基于 Megatron-LM 与 SGLang 的后训练强化学习指导，包含 GRPO rollout、灵活数据缓冲与异步/多轮训练流程，适用于研究及产研部署。

稀疏自编码器：模型可解释性分析

sparse-autoencoder-training

Orchestra-Research/AI-Research-SKILLs

本工具提供稀疏自编码器（SAE）的训练和分析框架。SAEs能够将大型语言模型内部密集的、多义的激活信号分解为稀疏、单义的特征。适用于需要发现模型学到的离散可解释概念、研究特征叠加性，或分析模型内部特定安全相关行为（如偏见或欺骗）的场景。

音素级发音训练工作流

speak-core-workflow-b

jeremylongshore/claude-code-plugins-plus-skills

该工作流提供专业的音素级发音分析，能够深入识别用户语音中的薄弱环节，而不仅仅是给出整体分数。它通过运行自适应训练循环，生成详细的弱点报告，并提供针对性的练习短语，从而帮助用户系统性地纠正口音并提升语言流利度。

TensorBoard 可视化工具包

Orchestra-Research/AI-Research-SKILLs

TensorBoard 提供统一可视化界面，跟踪训练指标、调试模型、对比实验、观察网络结构并分析性能瓶颈，适用于 PyTorch 与 TensorFlow 训练流程。

Tensorboard 可视化助手

tensorboard-visualizer

jeremylongshore/claude-code-plugins-plus-skills

在提到 tensorboard 可视化时自动激活，指导模型训练中的数据准备、调参和实验追踪，提供规范化配置与标准校验，确保可视化流程可用于生产。

PyTorch原生智能体RL训练框架

torchforge-rl-training

Orchestra-Research/AI-Research-SKILLs

torchforge是Meta推出的用于智能体强化学习（RL）的PyTorch原生框架。它将核心的RL算法与复杂的分布式基础设施进行了彻底分离。用户可以专注于算法的快速实验和开发，无需担心底层分布式训练、权重同步等复杂问题，支持从单卡到大规模集群的扩展训练。

训练测试集切分器

train-test-splitter

jeremylongshore/claude-code-plugins-plus-skills

该技能自动响应涉及训练/测试集划分的请求，提供行业级指导、实用代码与配置建议，并帮助验证 PyTorch、TensorFlow 或 sklearn 流程中的数据准备与模型训练环节。

Megatron-Core大型语言模型训练

training-llms-megatron

Orchestra-Research/AI-Research-SKILLs

基于 Megatron-Core 提供端到端流程，可训练 2B-462B 参数的大语言模型，使用张量/流水/专家/上下文并行和 H100 上的高效资源利用。

GPU实例管理与机器学习工作流

vastai-core-workflow-a

jeremylongshore/claude-code-plugins-plus-skills

这是一个完整的GPU计算资源工作流。它帮助用户在Vast.ai上执行端到端的工作流：从根据规格和价格搜索最佳GPU资源，到创建实例，执行复杂的模型训练或推理任务，收集模型成果，并最重要的是销毁实例以停止计费。适用于AI模型训练和计算任务。

Vast.ai GPU成本优化指南

vastai-cost-tuning

jeremylongshore/claude-code-plugins-plus-skills

本工具包旨在帮助用户优化Vast.ai上的GPU云资源使用成本。它提供了选择成本效益最高GPU型号、利用抢占式（Spot）实例以及设置自动销毁机制的完整指南。通过检测闲置计算资源和监控运行费用，确保AI模型训练和推理作业能够高效、经济地完成。

机器学习训练数据安全管理

vastai-data-handling

jeremylongshore/claude-code-plugins-plus-skills

本指南提供了在云端GPU实例（如Vast.ai）上安全管理训练数据和模型工件的完整流程。它涵盖了数据传输（SCP、压缩、云存储）、AES-256加密实现、模型检查点到S3的持久化，以及实例销毁前的安全数据清理，确保了整个机器学习项目的合规性和数据完整性。

Vast.ai GPU计算工作流架构

vastai-reference-architecture

jeremylongshore/claude-code-plugins-plus-skills

本指南提供了在Vast.ai上运行复杂GPU计算工作流的生产级参考架构。它详细介绍了三层架构模式（编排器、GPU工作节点、存储），指导用户设计故障容错的ML/AI训练管线、作业队列和持久化检查点管理，确保系统的高可靠性与可扩展性。

上一页 1 2 3 456 7 下一页

语言