全部 skill

用 lm-eval-harness 给大模型跑基准（MMLU、GSM8K 等）。

6 个生产级 AI 工程工作流：提示评估（8 维评分）、上下文预算规划、RAG 流水线设计、agent 安全审计（65 点检查表）、eval 脚手架构建、产品感教练。

经 OpenRouter 与 mini-swe-agent 运行可复现的 DeepSWE 编码 agent 基准评测。

依据 168 条研究支撑的 UX/UI 原则评估界面、检测反模式，并将 UX 上下文注入 AI 编码会话。

跨 HumanEval、MBPP、MultiPL-E 与 15+ 基准用 pass@k 指标评估代码生成模型。基准代码模型、比较编码能力、测多语言支持、或衡量代码生成质量时使用。BigCode Project 的行业标准，被 HuggingFace 榜单使用。

跨 60+ 学术基准（MMLU、HumanEval、GSM8K、TruthfulQA、HellaSwag）评估 LLM。基准模型质量、比较模型、报告学术结果、或追踪训练进度时使用。EleutherAI、HuggingFace、各大实验室用的行业标准。支持 HuggingFace、vLLM、API。

跨 100+ 基准（来自 18+ harness，含 MMLU、HumanEval、GSM8K、安全、VLM）多后端执行评估 LLM。需在本地 Docker、Slurm HPC、或云平台可扩展评估时使用。NVIDIA 企业级平台，容器优先架构做可复现基准。

LLM 可观测性平台，做追踪、评估、监控。调试 LLM 应用、对数据集评估模型输出、监控生产系统、或构建 AI 应用系统化测试管线时使用。

开源 AI 可观测性平台，做 LLM 追踪、评估、监控。用详细追踪调试 LLM 应用、对数据集跑评估、或实时洞察监控生产 AI 系统时使用。

在 LIBERO 与 RoboCasa 仿真环境评估 NVIDIA Cosmos Policy。为机器人操作评估搭建 cosmos-policy、用 EGL 渲染跑无头 GPU 评估、或在集群/本地 GPU 机器剖析推理延迟时使用。