'distillation' 검색 결과

Guide knowledge distillation, where a smaller language model learns from a larger teacher. Covers training from teacher responses or prediction scores, adjusting training settings, and comparing outputs to support model compression and specialized training.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Compressing a large language model into a smaller model
• Training a specialized model from teacher-generated examples
• Comparing distillation methods and training settings

Choose what kind of knowledge to transfer between teacher and student models: response, feature, or relational, and decide among offline, online, self, or cross-modal distillation schemes. Best for distillation strategy selection, capacity-gap diagnosis, and transfer planning. Activate on "knowledge distillation", "teacher-student", "soft labels", "feature distillation", "online distillation", or "cross-modal transfer". NOT for generic compression checklists or unrelated training work.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Train smaller language models using knowledge distillation, where a larger model supplies examples or prediction targets. This skill covers training losses, generated training data, parameter choices, and output comparisons to support model compression and specialized student models.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Training a smaller model from a larger teacher
• Fine-tuning with teacher-generated responses
• Distilling domain knowledge into a specialized model

Design deployment-focused distillation systems that balance model size, accuracy, calibration, and cascade escalation under real resource limits. Best for teacher-student compression, threshold design, and failure-aware deployment. Activate on "model compression", "teacher- student", "distillation score", "cascade model", "edge deployment", or "model calibration". NOT for generic deep-learning overviews, prompt optimization, or training work without a concrete distillation objective.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Compress large language models using knowledge distillation from teacher to student models. Use when deploying smaller models with retained performance, transferring GPT-4 capabilities to open-source models, or reducing inference costs. Covers temperature scaling, soft targets, reverse KLD, logit distillation, and MiniLLM training strategies.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Deep analysis of knowledge distillation techniques for compressing large models into smaller efficient ones

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Comprima modelos de linguagem grandes usando destilação de conhecimento de modelos professor para aluno. Use ao implantar modelos menores com desempenho retido, transferir capacidades do GPT-4 para modelos de código aberto ou reduzir custos de inferência. Aborda escalamento de temperatura, alvos suaves, KLD reversa, destilação de logits e estratégias de treinamento MiniLLM.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

SkillAlchemy — One thought conceived, one goal achieved. Accept any idea or distillation target and produce an installable SKILL.md. It uses Lens to clarify the problem and LEAP to run distillation or fusion. This is the sole user-facing entry point. Use when the user asks to distill, generate a skill, fuse skills, or says, "I want to build X, but I do not know where to start."

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Expert-level separation processes covering distillation, absorption, extraction, crystallization, membrane separations, and adsorption for chemical engineering applications.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Use when the operator says "run distillation" or "refresh complexity corpus", or a distillation pass is due.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Set up and run knowledge distillation (on-policy, off-policy, or multi-teacher) from a teacher model to a student model using the Tinker API. Use when the user wants to distill knowledge, compress models, or train a student from a teacher.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Build training datasets for LLM specialization from production data, frontier model distillation, and synthetic bootstrapping. Use when formatting production logs into SFT data, distilling from frontier APIs, or preparing data for fine-tuning. Covers JSONL formatting, data quality validation, deduplication, and train/eval splitting.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

참고 영상에서 측정한 색상과 컷 리듬에 맞춰 생성 영상과 기존 소재를 편집·합성합니다. 수치로 확인한 완성 영상과 재편집용 타임라인을 만듭니다.

• 참고 영상의 스타일에 맞춘 영상 제작
• 기존 영상에 생성 클립 추가
• 영상 소재와 3D 소품 합성

참고 영상의 색조와 컷 길이를 측정해 재사용할 스타일 소재로 정리합니다. 색 변환용 LUT, 정지 이미지, 합성 소재와 생성 모델용 명세를 만듭니다.

• 참고 영상의 색조를 소재로 만들 때
• 비슷한 편집 박자를 위해 컷 간격 측정
• 장르별 스타일 소재 모음 제작

ReasoningBank와 AgentDB로 에이전트의 행동과 결과를 기록하고, 유사 경험 검색과 결과 판정, 기억 정리를 통해 과거 경험을 판단에 재사용하는 기능을 구현합니다.

• 경험을 재사용하는 에이전트 개발
• 에이전트의 행동과 결과 기록 및 판정
• 유사 경험을 공통 패턴으로 정리

ReasoningBank와 AgentDB로 에이전트의 행동과 결과를 기록하고, 유사 경험 검색과 결과 판정, 기억 정리를 통해 과거 경험을 판단에 재사용하는 기능을 구현합니다.

• 경험을 재사용하는 에이전트 개발
• 에이전트의 행동과 결과 기록 및 판정
• 유사 경험을 공통 패턴으로 정리

Plan further training for AI agent models by diagnosing gaps in knowledge, output consistency, or decision making. Compare continued pretraining, supervised fine-tuning, reinforcement learning, and distillation, then design training data, feedback environments, and evaluation checks.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Choosing a training approach for an agent model
• Designing training examples and source data
• Planning reward checks and reinforcement learning environments

Synthesize OpenViking knowledge bases or document collections into topic-based Markdown pages that explain trends, changes, comparisons, and implications. Keep conclusions traceable to source evidence, distinguish facts from inferences, and preserve disagreements and uncertainty.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Comparing changes across financial reports
• Finding shared trends across knowledge bases
• Organizing sourced conclusions by topic

Train sentence-transformers models for search, similarity, and reranking, which reorders search results by relevance. Choose a model type, prepare data, configure training, compare results against a baseline, and publish the trained model to Hugging Face Hub.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Fine-tuning an embedding model for domain-specific search
• Training a model to rerank search results
• Training SPLADE or ColBERT retrieval models

Run batches of machine learning experiments on remote GPUs over SSH, varying settings and random seeds. The skill schedules jobs, tracks progress, retries GPU memory failures, and cleans up leftover sessions before starting subsequent batches.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Run experiments across multiple random seeds
• Test combinations of model settings
• Chain teacher training and student distillation

Train sentence-transformers models for search, similarity, and reranking, which reorders search results by relevance. Choose a model type, prepare data, configure training, compare results against a baseline, and publish the trained model to Hugging Face Hub.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Fine-tuning an embedding model for domain-specific search
• Training a model to rerank search results
• Training SPLADE or ColBERT retrieval models

Build agent memory with ReasoningBank and AgentDB. Record actions and outcomes, retrieve similar experiences, assess results, and consolidate memories into reusable patterns so agents can draw on past work when making decisions.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Build agent memory that reuses past experiences
• Record and assess sequences of agent actions
• Consolidate similar experiences into reusable patterns

[omh] Turn repeated lessons into written rules: extract repeated principles from skills, prompts, traces, reviews, and failures into reviewed rule candidates without auto-mutating guidance. Use when the user says: rules-distill, rules distill, distill rules, rule distillation, principle distill, skill principles, extract agent rules, turn traces into rules.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Fine-tune models on Microsoft Foundry using SFT (supervised), DPO (preference), or RFT (reinforcement with graders). Covers dataset preparation, training job submission, deployment, and evaluation. USE FOR: fine-tune, SFT, DPO, RFT, training data, grader, distillation, fine-tuned model, training job, large file upload, calibrate grader, deploy fine-tuned model, evaluate fine-tuned model. DO NOT USE FOR: general model deployment without fine-tuning (use deploy-model), agent creation (use agents), prompt optimization without training (use prompt-optimizer).

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.