'model quality' 검색 결과

공식 자료를 조사해 Codex 설정과 요금, OpenAI API·제품 사용법을 출처와 함께 안내합니다. 모델 선택과 이전, 프롬프트 조정, 문제 원인 파악에도 활용합니다.

• Codex 설정 확인 및 문제 원인 파악
• 모델 비용·속도·품질 비교
• 모델 이전과 프롬프트 조정 검토

Generate RuVLLM settings for local language model inference and create MicroLoRA or SONA instances. Adjust their small internal weights using quality scores as feedback, with instances held in server memory for subsequent adaptation calls.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Configure local language model inference
• Prepare inference tools for an air-gapped environment
• Adjust MicroLoRA using quality feedback

Choose embedding models, which represent text as numerical vectors, for meaning-based search and RAG applications. Compare options for code, prose, and multilingual content, and plan document splitting, preprocessing, caching, and dimension reduction to improve retrieval quality.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Choosing an embedding model for RAG
• Reviewing document chunk size and boundaries
• Planning code or specialist document search

Evaluate LLM applications using automated scores, human reviews, and model-based judging. Build repeatable checks to compare models or prompts, assess answer quality, and detect declines in performance before deployment.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Comparing models and prompts
• Checking quality after prompt changes
• Detecting performance declines before deployment

Build an end-to-end evaluation pipeline for Python AI applications using pixie-qa and real language-model calls. Define criteria, prepare realistic test data, score application runs, and analyze the evidence to produce a prioritized improvement plan.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Setting up quality checks for Python AI applications
• Creating realistic scenarios for known failure modes
• Scoring full application runs with real language-model calls

Check security audit findings against code evidence and trace how untrusted input moves through a system. Guide a second review, document verification gaps, and assess draft reports against a minimum quality score before delivery.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Verifying evidence behind security review findings
• Rechecking input flows after an initial analysis
• Assessing report quality before delivery

Prepare training datasets for large language models with GPU-assisted cleaning. Covers duplicate removal, quality filtering, and personal information redaction, with workflows for text, images, video, and audio using NeMo Curator.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Clean web data for model training
• Remove exact and near duplicates from large text collections
• Redact personal information from training text

Turn a feature into an agent skill or improve an existing one. Define purpose-specific quality criteria, review outputs with models from three providers, then add tests and check that user requests reach the intended skill.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Turn a reusable feature into an agent skill
• Audit an existing skill for missing parts
• Check quality after fixing or extending a skill

Prepare training datasets for large language models with GPU-assisted cleaning. Covers duplicate removal, quality filtering, and personal information redaction, with workflows for text, images, video, and audio using NeMo Curator.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Clean web data for model training
• Remove exact and near duplicates from large text collections
• Redact personal information from training text

Configure GSD through one command, covering model choice, research, plan checks, verification, and branching. Additional modes handle detailed workflow settings, external service integrations, and model profiles, which are named groups of model settings.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Adjusting common GSD workflow settings through guided questions
• Changing planning details, timeouts, and branch templates
• Configuring external APIs and code review tools

Audit existing public equity investment models and spreadsheets for formula errors, source support, assumptions, and scenario quality. Receive a readiness verdict, an issue log, and prioritized fixes showing whether the model supports its intended decision.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Check formulas and controls in an existing investment workbook
• Trace important assumptions to supporting sources
• Review valuation scenarios and downside risks

Assess whether data is trustworthy enough for analysis, dashboards, experiments, or modeling. Check missing values, duplicates, consistency, freshness, and changes over time, then explain the evidence, downstream risks, likely causes, and practical fixes.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Check missing values and duplicate records
• Investigate sudden changes in data quality
• Reconcile conflicting sources and metric definitions

Use when the user wants to migrate code that calls OpenAI, Gemini/Google AI, or the Anthropic API to Amazon Bedrock — a pure model/SDK rewrite. End-to-end: assesses the codebase, rewrites SDK calls, evaluates output quality against Bedrock, and delivers a ready-to-merge git branch. Also has an access-only mode for checking or enabling Bedrock model access for specific models (e.g. 'request access to Claude on Bedrock', 'which models do I turn on') with no code migration — it checks each model and walks the right access step, then stops. Not for agent runtime selection or agent migration planning (use agent-advisor), nor standalone cost estimates or infra-only migration. The full migration REQUIRES gcp-to-aws OR azure-to-aws installed alongside this skill (gcp-to-aws preferred when both are present); access-only mode needs neither.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Resolve model profile (quality/balanced/budget) at orchestration start and map agents to specific models. Enables cost/quality tradeoffs by selecting appropriate AI models for each agent role.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Collect and assess quality metrics for Simulink models using the metric.Engine API. Use when evaluating model design quality (maintainability, complexity, architecture) or testing completeness (unit testing, SIL, PIL, coverage, pass rates) after edits or test runs. Covers metric discovery, collection, report generation, and diagnostics. Triggers on: "collect metrics", "quality metrics", "metric.Engine", "testing metrics", "maintainability metrics", "SIL metrics", "PIL metrics", "what metrics are available", "assess quality", "coverage metrics", "generate metric report", "diagnose metric errors".

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Use when comparing Scenario models on the same brief through MCP: a bake-off with shared prompts and inputs, cost, generation time and quality measured side by side, choosing a default model, testing a new release against the incumbent, or finding which model handles a style, edit, or reference image best. Keywords: model comparison, benchmark, bake-off, A/B test, contact sheet, cost per asset, latency.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Run AI agent and LLM evaluations in CI/CD pipelines — automated quality gates that fail the build when AI output quality drops. Use when someone asks to "test my AI agent", "add evals to CI", "catch prompt regressions", "compare models", "evaluate LLM output quality", "set up AI quality gates", or "benchmark my agent before deploying". Covers eval frameworks (Cobalt, Promptfoo, Braintrust), LLM-as-judge scoring, threshold-based assertions, and GitHub Actions integration.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

API로 사용하는 언어 모델의 프롬프트와 입력 표현을 바꾸어 안전 필터 우회 시도에 대한 응답을 검증합니다. 여러 모델의 답변 비교와 Hermes 설정 저장도 다룹니다.

• 모델의 안전장치 우회 저항성 평가
• 입력 표현에 따른 응답 차이 비교
• 여러 모델의 거절·품질·속도 비교

가중치가 공개된 언어 모델의 응답 거부 원리를 분석하고 재학습 없이 가중치를 수정하는 실험을 돕습니다. 환경에 맞는 모델과 방법을 선택하고 수정 전후의 거부율과 답변 품질을 비교합니다.

• 언어 모델의 응답 거부 원리 연구
• 재학습 없이 가중치 수정 실험
• 계산 환경에 맞는 모델과 방법 선택

언어 모델 내부 반응을 소수의 특징으로 분해해 학습한 개념을 조사합니다. 사전 학습 SAE 분석, 자체 SAE 훈련, 특징을 통한 출력 조정과 재구성 품질 평가를 안내합니다.

• 사전 학습 SAE로 특징을 조사합니다
• 특정 모델 층을 대상으로 SAE를 훈련합니다
• 입력 문장별 특징 반응을 비교합니다

AI가 외부 서비스를 이용하는 MCP 서버 개발을 지원합니다. API 조사, 도구 설계와 구현, 동작 확인부터 실제 사용을 반영한 평가 문항 작성까지 다룹니다.

• 외부 API를 AI 에이전트에 연결합니다
• TypeScript나 Python으로 MCP를 개발합니다
• 도구 설명, 입력, 오류 문구를 개선합니다

Claude, GPT, Gemini에 같은 요청을 실행해 응답 시간, 토큰 수, 비용을 비교합니다. 선택적으로 품질 점수를 더해 용도에 맞는 모델을 고르도록 돕습니다.

• 스킬에 맞는 모델 선택
• 응답 시간과 비용 비교
• 선택적 AI 평가로 품질 비교

Restore image quality using restoration models hosted by fal.ai. The skill covers reducing blur and noise, fixing faces, and restoring old document images, with the full workflow available through the upstream skill bundle.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Reducing blur in images
• Removing image noise
• Fixing facial image quality

Compare actual AI session costs with estimates for using only Haiku, Sonnet, or Opus. The skill reports savings amounts and percentages, helping teams assess model selection costs while leaving differences in answer quality and retries outside the calculation.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Report model selection savings during cost reviews
• Check savings after changing model selection settings
• Use JSON results to enforce a savings threshold in CI