'model quality' 검색 결과

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

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

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

fal.ai에서 제공하는 복원 모델로 사진과 문서 이미지의 화질을 복원합니다. 흐림 완화, 노이즈 제거, 얼굴 화질 보정, 오래된 문서 이미지 복원을 다룹니다.

• 이미지의 흐림을 줄일 때
• 사진의 노이즈를 제거할 때
• 얼굴 화질을 보정할 때

여러 AI 모델을 나누어 쓴 실제 비용을 모든 작업에 같은 모델을 썼을 때의 추정 비용과 비교합니다. 기간별 절감액과 절감률로 모델 선택의 비용 효과를 확인합니다.

• 비용 검토에서 절감 효과 보고
• 모델 선택 설정 변경 후 비용 확인
• CI에서 절감률 기준 확인

Use PathML for local pathology image research, from loading whole-slide images and splitting them into tiles to preprocessing and quality checks. Plan multiplex measurements, analyze spatial relationships between cells, and run model inference in bounded batches.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Planning tile extraction from whole-slide images
• Reviewing preprocessing and image quality
• Validating multiplex measurements and spatial graphs

Explains how PluginEval combines structural checks and experimental model assessments into quality scores. Helps interpret low scores, identify improvement areas, set marketplace thresholds, and explain what evaluation badges actually represent.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Investigating why a skill received a low score
• Improving descriptions that define when a skill should run
• Setting score thresholds for marketplace listings

Choose SGLang Diffusion settings for a specific model, GPU, and memory budget. Compare generation speed, memory use, and output quality to select command-line options, including CPU offloading, multiple GPUs, caching, and reduced precision.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Choosing generation settings for a specific model and GPU
• Reducing GPU memory use to fit a memory budget
• Comparing performance settings across multiple GPUs

Have a different AI model review code, analysis, or documents against the original skill's stated requirements. Receive evidence-based findings and a comparison of agreement and disagreement, then decide which recommendations to accept.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Getting a second opinion on substantial code changes
• Reviewing authentication and other security-sensitive changes
• Checking work before a bulk operation

Test marketing prompts against shared cases, score required content, prohibited phrases, and output format, and compare alternatives. Keep version history and diffs, use reusable templates, and check that prompt or model updates preserve output quality.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Compare two prompts for ads, email, or social content
• Keep prompt versions and review changes
• Check output quality after prompt or model updates

Design a RAG pipeline that retrieves documents to support AI answers. Analyze document splitting, select embedding models and vector databases, and evaluate retrieval quality using test queries and known relevant documents.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Designing a RAG system for internal documents
• Choosing how to split documents for search
• Comparing embedding models and vector databases

Evaluate AI models and agents on Google Cloud using test datasets and scoring criteria. Generate simulated user scenarios, analyze failures, and compare results across changes to guide improvements to prompts and code.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Build evaluation datasets from conversation logs
• Generate simulated user scenarios
• Choose scoring criteria for responses and tool use

Evaluate AI agent outputs with code checks and model-based grading. Run repeated trials to measure reliability, compare prompts or models, and check whether changes reduce quality, with saved transcripts for reviewing the results.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Comparing two prompts on the same test cases
• Checking quality after agent configuration changes
• Turning real failures into repeatable evaluation cases

Build a Three.js 3D model from an object or character reference image using code. The workflow develops shapes and materials in stages, compares rendered views with the reference, and guides corrections through quality checks.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Rebuilding a photographed object as a browser-based 3D prop
• Creating a stylized character from a reference image
• Planning model parts, materials, and animation pivots

Design and improve prompts for language models, then test their accuracy and consistency. Create reusable templates, JSON output schemas that define response structure, evaluation criteria, and test cases while considering token use and model differences.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Designing prompts for a new AI application
• Improving inconsistent model responses
• Defining JSON response formats

Inspect production AI agents in FailproofAI Cloud using the fp CLI. Review errors, run histories, quality scores, and usage, then manage issues, audits, user access, and scoped API keys for the team's deployment.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Investigating failed agent runs
• Checking for drops in quality scores
• Running audits and triaging findings

Investigate failures in NVIDIA TAO Visual ChangeNet classification experiments using prediction scores and actual images. Produces an illustrated root cause report covering data, reference images, training settings, and simulated changes to assess possible fixes.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Investigate missed defects and poor recall
• Analyze FAR regressions and false positives
• Audit reference images and inspection data

Evaluates LLMs across 60+ academic benchmarks (MMLU, HumanEval, GSM8K, TruthfulQA, HellaSwag). Use when benchmarking model quality, comparing models, reporting academic results, or tracking training progress. Industry standard used by EleutherAI, HuggingFace, and major labs. Supports HuggingFace, vLLM, APIs.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Evaluates code generation models across HumanEval, MBPP, MultiPL-E, and 15+ benchmarks with pass@k metrics. Use when benchmarking code models, comparing coding abilities, testing multi-language support, or measuring code generation quality. Industry standard from BigCode Project used by HuggingFace leaderboards.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Evaluates LLMs across 60+ academic benchmarks (MMLU, HumanEval, GSM8K, TruthfulQA, HellaSwag). Use when benchmarking model quality, comparing models, reporting academic results, or tracking training progress. Industry standard used by EleutherAI, HuggingFace, and major labs. Supports HuggingFace, vLLM, APIs.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Pick an LM output format per (task x consumer x model) rather than by reflex: different formats carry different cognitive load (e.g. code-in-JSON makes the same model write worse code than plain-text+diff, while asking for prose when you need a typed object fails the other way). Use when designing or debugging an LM's output schema, choosing between plain text / diff / JSON / tool-call / grammar-constrained output, or when a model's quality drops after wrapping its output in a structured format.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Use when choosing between engines or models for an agent pipeline and the answer must come from measurement on your own data, not from marketing pages: speech recognition for meeting recordings, the model that turns a transcript into notes, the critic model that checks it. Runs every variant in an isolated container, measures time, cost per hour of input (USD and RUB, with price source and date) and quality (WER/CER and course terms for ASR; code checks plus a judge of a different model for LLM steps), writes results.json/csv and one static analytics page. Triggers on "бенчмарк", "сравни движки", "сколько стоит час записи", "какую модель взять для пайплайна", "benchmark the pipeline", "compare ASR engines".

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Produce video with Moonvalley's Marey model family (Marey Realism v1.5) — a filmmaker-oriented, 1080p/24fps generative video model marketed as trained exclusively on licensed data. Use this skill when a task asks for Marey or Moonvalley specifically, when a brief demands brand-safe / legally reviewed AI video for commercial or studio work, or when the request needs Marey's director-style controls (camera trajectory, motion transfer, pose transfer, keyframing, reference conditioning). It covers what "commercially safe" really means versus the actual terms of service, access routes (Moonvalley web / Voyager, the fal API, ComfyUI), pricing, capability limits, prompt and reference strategy, where Marey fits production versus where other models win, iteration, and quality review. Do not use it for audio generation, for photoreal talking-head dialogue, or as a generic "best video model" default.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.