Скиллы для Codex — машинное обучение

Помогает разработчикам внедрить первую модель машинного обучения в приложение, где таких компонентов ещё нет. Ведёт от постановки задачи и подготовки данных до интеграции простой исходной модели.

Помогает разработчикам PyTorch расширить выбор типов в реализациях операторов и вычислительных ядер для uint16, uint32 и uint64. Скилл сосредоточен на изменении макросов выбора реализации по типу данных.

Помогает командам дообучения преобразовать исходные примеры в набор данных под уже выбранный метод. Охватывает формат диалогов и предпочтений, объединение примеров в последовательности и документирование состава данных перед обучением.

Помогает разработчикам подготовить языковую модель к работе при ограниченной памяти видеокарты. Описывает загрузку готовой модели GPTQ, собственное четырёхбитное сжатие и подключение к Transformers и PEFT.

Помогает исследователям машинного обучения записывать и анализировать показатели обучения в Trackio. Поддерживает панели наблюдения, диагностические уведомления и синхронизацию с Hugging Face Spaces.

Помогает разработчикам писать интеграции с Gemini на Python и TypeScript. Охватывает генерацию текста и медиа, диалоги, потоковые ответы, структурированные данные, исследовательских агентов и перенос существующего кода.

Помогает разработчикам добавлять в приложение смысловые решения через TypeSafe: выбирать обработчик запроса, ранжировать варианты, извлекать значения или проверять утверждения. Модель Jev возвращает ответы заданного типа и вероятности, которые код объединяет в поведение приложения.

Помогает инженерам машинного обучения построить, проверить или доработать систему за пределами разового ноутбука. Связывает данные, обучение, оценку качества, развёртывание и наблюдение с конкретным поведением продукта.

Помогает разработчикам PyTorch писать и обновлять строки документации в коде. Описание следует принятым в проекте правилам и объясняет назначение, параметры и поведение функции.

Помогает командам решить, нужно ли дообучение модели, и выбрать подход по задаче и имеющимся данным. Если достаточно поиска по документам или настройки запросов, направляет к этим вариантам.

Помогает разработчикам обучающих скриптов добавить PyTorch FSDP2, когда модель вместе с градиентами и состоянием оптимизатора не помещается на одной видеокарте. Охватывает распределение параметров, настройки точности, выгрузку на CPU и сохранение состояния обучения.

Помогает разработчикам писать и разбирать код демонстраций машинного обучения на Hugging Face Spaces с ZeroGPU. Полезен при настройке GPU-вычислений, зависимостей, времени запроса и исправлении ошибок передачи данных между процессами.

Помогает разработчикам создавать приложения для общения через Gemini Live API: передавать голос, видео и текст и получать звуковые либо текстовые ответы. Подходит также для распознавания речи, устного перевода и переноса старых интеграций на Gemini 3.8 Live.

Помогает разработчикам PyTorch добавлять поддержку MPS на Apple Silicon и переносить существующие реализации с MPSGraph на Metal. Подходит также для переноса вычислительных ядер CUDA.

Помогает разработчикам объединить смысловой и ключевой поиск в поисковой системе или системе ответов с опорой на найденные документы. Полезен, когда один способ пропускает нужные результаты, особенно имена, коды и специальные термины.

Помогает инженерам машинного обучения строить обработку больших наборов данных: подготовку к обучению, пакетное получение предсказаний и загрузку разных видов данных. Подходит для перехода от одной машины к распределённой обработке на кластере.

Помогает инженерам машинного обучения подготовить и провести дообучение трансформерных языковых моделей через TRL. Поддерживает обучение на примерах, настройку по предпочтениям и вознаграждениям, а также обучение модели оценки ответов.

Помогает разработчикам систематически оценивать приложения с языковыми моделями, сравнивать модели и запросы, замечать ухудшения перед выпуском. Сочетает автоматические показатели, человеческую оценку и оценку ответов другой моделью.

Помогает командам машинного обучения связать подготовку данных, обучение, оценку и развёртывание модели в единый процесс. Подходит для воспроизводимого обучения и автоматизации жизненного цикла моделей.

Помогает разработчикам связать языковую модель с внешними документами через RAG: поиск подходящих фрагментов и подготовку ответа на их основе. Подходит для вопросов по документации, отраслевым знаниям и собственным материалам.