为 verl-omni 接入或修复 MSProbe 训推一致性采集，生成打点代码、样本关联日志和诊断启动脚本。用于 diffusion/omni 的 rollout 与 actor 数据采集、dump 缺失或配对失败；不负责精度根因分析。
インストールする前に、エージェントに与えられる指示の中身を確認できます。
交付能追溯到同一样本、同一计算片段的两侧 dump，以及输入和权重的可比依据。
读取用户启动脚本、配置和实际加载的源码，沿入口追到执行模型的 rollout worker 与 actor engine。 涉及继承或外部引擎时继续追踪依赖源码；以下 reference 中的符号仅作搜索起点。
| 本次采集路径 | 按需读取 |
|---|---|
| diffusion 去噪前向 | diffusion.md |
| omni / AR 的指定 stage prefill | omni.md |
追踪一条样本：请求 ID → rollout 输出 → 队列 / batch 转换 → actor micro-batch。 确认 ID 映射、输入来源、权重版本及 timestep / token 区间、分支和样本布局。 输入未复用或不等价时，明确可比范围；需要重放的路径见对应 reference。
按 公共接入约定 实现依赖导入、单 global step 窗口、debugger 生命周期和关联日志。 按当前代码确认两侧 global step 的来源、含义和实际类型；解包并与环境变量统一为整数后比较，用两侧实际输入验证窗口命中。 在实际模型前向处打点；已有集成优先复用，不能仅包裹请求提交层。
采集关闭时保持原执行路径。开发环境缺少 msprobe 不阻塞接入；实际采集初始化失败或窗口未命中须明确报告。
生成调用用户原脚本的短 wrapper，只追加环境变量和采集参数，不复制原脚本全文。
先检查最终命令的 "$@" 透传，再确认 override 实际生效。
默认限制单个 global step、关闭训练前 validation、每卡 micro-batch=1、引擎请求并发=1。
diffusion 默认必须将两侧 guidance 收敛到同一个 cond 单分支，并验证实际前向布局；具体规则见 分支收敛。
全局 batch 与采样数量取当前 recipe 的最小合法组合，保留模型、数据和并行配置。
参数规则与 wrapper 示例见 共用采集参数 和 诊断启动脚本。
执行修改文件的语法检查和 wrapper 的 bash -n；环境允许时运行一次短采集：
statistics 用于统计筛查；逐元素核验需要 tensor。详细验收见 配置与验收。
まだレビューはありません。使ってみた感想をお寄せください。
概要と使いどころ
当用户直接要求进行数据集压缩测评，或在量化调优过程中需要使用 AISBench 评测工具输出数据集精度等场景时使用。 本 Skill 负责：使用 AISBench 数据集压缩代码、用 RBF Kernel Herding 算法生成压缩后的数据子集（coreset），并按用户目标交付两种产物之一： ① 接入量化调优主流程：产出独立的 coreset 数据集配置（不覆盖原始数据），回传「全集 config_name + coreset config_name」给编排层，供 evaluation.yaml 切换； ② 仅数据集压缩测评（不做量化调优）：基于 example 模板生成「全集测试脚本」和「子集测试脚本」两份 shell 脚本。 暂时支持 AIME 2025 和 GPQA，其他数据集需要再结合 aisbench tools目录下 herding_coreset_selector 源码进行分析。
日本語の概要は準備中です。原文の説明を表示しています。
Ascend cluster comparison tool. Invoke when user asks to compare two cluster datasets (DB or TEXT), or to generate cluster_analysis_output from raw profiling data via msprof-analyze and then compare.
日本語の概要は準備中です。原文の説明を表示しています。
专门用于 Ascend 集群 Profiling 性能数据的“快慢卡”诊断专家技能。当用户提供【集群性能数据目录/路径】并要求分析【快慢卡】、【慢节点】、【负载不均衡】或【集群瓶颈】时，必须触发此技能。该技能会自动接收集群路径，调度相关工具输出快慢卡的宏观定性与微观根因（如 Host 下发瓶颈、算子计算劣化）。
日本語の概要は準備中です。原文の説明を表示しています。
Analyze Ascend NPU collective communication profiling data with a DB-first workflow. Use when the user provides `cluster_analysis_output/cluster_analysis.db`, rank-level `analysis.db`, rank-level `ascend_pytorch_profiler_{rank_id}.db`, together with `profiler_info.json`, and asks about HCCL or hcom communication cost, collective communication TOP ops, wait time, slow rank/straggler, Notify Wait, bandwidth, retry, relay, SDMA/RDMA/HCCS links, communication matrix, or Ascend communication fault patterns.
日本語の概要は準備中です。原文の説明を表示しています。
Analyze Ascend NPU computation-side profiling data for single-card runs or a selected rank from multi-card runs. Use this skill when the user asks to diagnose computation bottlenecks, AI Core / AI Vector / AICPU hotspots, dynamic shape overhead, block dim issues, redundant TransData/Transpose/Cast, cross-stream waits, frequency/runtime-state issues, or fusion opportunities.
日本語の概要は準備中です。原文の説明を表示しています。
针对昇腾 NPU 上的 PyTorch 模型，识别可做融合算子替换的代码段、替换为 torch_npu 融合算子并做性能/精度验证。当用户提到融合算子、NPU 算子替换、RMSNorm/SwiGLU/RoPE/Attention 融合、torch_npu 亲和算子等关键词是，使用本 Skill。
日本語の概要は準備中です。原文の説明を表示しています。