'lms' 검색 결과

Create MCP (Model Context Protocol) servers that enable LLMs to interact with external services through well-designed tools. The quality of an MCP server is measured by how well it enables LLMs to accomplish real-world tasks.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Canvas LMS integration — fetch enrolled courses and assignments using API token authentication.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

vLLM으로 대규모 언어 모델을 API로 제공하거나 많은 입력을 일괄 처리하도록 돕습니다. 배포와 성능 모니터링, 메모리 절약, 응답 속도 조정도 다룹니다.

• OpenAI 호환 API를 제공할 때
• 많은 프롬프트를 일괄 처리할 때
• 제한된 GPU 메모리로 모델을 실행할 때

Unsloth로 언어 모델을 추가 학습하도록 돕습니다. LoRA와 QLoRA 구현, 기능과 API 확인, 코드 오류 조사, GPU 메모리를 줄이는 학습 방법 탐색을 지원합니다.

• LoRA와 QLoRA 추가 학습 시작
• Unsloth 기능과 API 확인
• 학습 코드의 오류 조사

TorchTitan과 PyTorch로 대규모 언어 모델 사전 학습을 설정합니다. 여러 GPU에 작업을 나누고 단일·다중 노드 실행과 학습 저장·재개를 지원합니다.

• 단일 노드에서 Llama 3.1 8B 사전 학습
• SLURM으로 다중 노드 학습 실행
• H100용 Float8 학습 설정

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

답변 평가를 활용하는 강화 학습으로 대규모 언어 모델을 추가 훈련하는 절차를 안내합니다. Megatron-LM과 SGLang을 결합해 데이터 준비, 병렬 실행, 맞춤형 생성을 다룹니다.

• 언어 모델의 GRPO 훈련 시작
• 답변 생성과 훈련을 동시에 실행
• 도구를 사용하는 에이전트 훈련

제한된 GPU 메모리에서 대규모 언어 모델을 추가 학습하도록 LoRA와 QLoRA 설정을 돕습니다. 어댑터 저장, 용도별 전환, 기본 모델과의 병합도 다룹니다.

• 적은 GPU 메모리로 추가 학습
• LoRA 학습 설정 선택
• 용도별 어댑터 전환

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

터미널에서 LLM에 질문하고 답변을 실시간으로 표시하거나 대화를 이어갑니다. 파일과 표준 입력을 사용하고 모델과 시스템 프롬프트를 지정할 수 있습니다.

• 터미널에서 AI에 질문
• 파일 내용을 질문 입력으로 사용
• 답변을 실시간으로 표시하고 파일로 저장

Build MCP servers, which give AI agents tools for external services, using Python or TypeScript. The skill guides tool design, input validation, error handling, code review, and evaluations based on realistic tasks.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Build an MCP server for an external API
• Design tools around complete agent workflows
• Review input validation and error handling

Plan and organize videos in HyperFrames Studio with readable scene, caption, and audio tracks. The skill guides collaboration, storyboards, and safe placement of text and key content, while distinguishing discussion from requests to edit.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Planning a new product launch video
• Organizing scene, caption, and audio tracks
• Checking safe placement of captions and key content

Fix white flashes and blending problems between scenes in HyperFrames videos. This skill explains background setup, overlapping scene containers, final-frame holds, and timeline templates so transitions render with the intended appearance.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Fixing white flashes between dark scenes
• Checking opacity dips during crossfades
• Assembling the master timeline

Create or edit custom HyperFrames videos, including multi-scene brand films, montages, title cards, and footage remixes. The workflow covers planning, design, media assembly, animation, checks, and a final preview for approval before rendering.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Create a multi-scene brand video
• Reorder and trim existing footage
• Build a static title card or loop

Plan product listings across startup, SaaS, AI, and MCP directories. Assess launch readiness, choose relevant sites, prepare tailored descriptions, and track submissions, published links, and referral results in a structured workflow.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Planning directory listings for a product launch
• Tailoring descriptions to different directory audiences
• Preparing an MCP server registry submission

Configure supervised fine-tuning for models that process images and text. Define which components remain unchanged, set LoRA adapters for updating selected model weights, choose image resolution limits, and investigate training runs whose evaluation results fail to improve.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Configure training for an image-and-text task
• Decide whether to train vision layers
• Investigate training with flat evaluation scores

Build AI applications that answer questions using retrieved documents. Covers vector databases, text embeddings that represent meaning as numbers, search strategies, and result reranking to connect language models with external knowledge.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Building Q&A systems for internal documents
• Adding domain knowledge to chatbots
• Implementing natural language document search

Turn creative ideas into image and video generation prompts for character sheets, storyboards, and short films. The skill specifies consistent character details, reference image roles, camera movement, action sequences, and dialogue timing within the chosen model's limits.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Write prompts for consistent character reference sheets
• Plan storyboard frames that show action progression
• Define how each reference image guides video generation

Add checks to LLM prompts and responses using Llama Guard 3, NeMo Guardrails, and LLM Guard. Configure content screening, conversation boundaries, and sensitive-data filtering, then measure blocking and false-positive rates with labeled test prompts.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Adding runtime safety checks to LLM, RAG, or agent apps
• Screening prompts for injection and jailbreak attempts
• Filtering sensitive or toxic model responses

Reduce the memory needed to run large language models with GPTQ quantization, which stores model weights at lower precision. Covers loading compressed models, quantizing your own models, choosing execution backends, and connecting to memory-efficient fine-tuning.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Run a language model within limited GPU memory
• Load a pre-quantized model for text generation
• Quantize and save your own trained model

Convert LLMs to GGUF and reduce model size through quantization, which stores weights at lower numerical precision. Prepare models for CPU or Apple Silicon inference, compare compression levels, and integrate them with local AI tools.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Preparing an LLM for CPU-only use
• Running a local model on Apple Silicon
• Comparing model size and quality across quantization levels

Set up reinforcement learning, which trains models using rewards, with verl. Follow workflows for preparing data, configuring GRPO or PPO training, scaling across GPUs, and addressing memory errors or unstable training.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Training a math reasoning model with GRPO
• Configuring PPO training with a critic model
• Scaling large model training across multiple nodes

Guide language model training with TRL, from learning to follow instructions to matching human preferences. Covers method selection, training data, reward models that score responses, evaluation, and adjustments for memory limits or unstable training.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Train a model on instruction and response examples
• Align responses using preferred and rejected answer pairs
• Build a training pipeline using human feedback

Build image captioning, visual question answering, and text-based image search with BLIP-2. The skill explains model selection, batch processing, and memory-saving settings, with Python examples for connecting image understanding to language models.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Generating captions for multiple images
• Building a question-answering system for images
• Searching an image collection with text