AC aa-benchmarking-framework
Композитный анализ и анализ границы эффективности для оценки LLM — объединяет несколько измерений качества (точность, задержка, стоимость, согласованность) в единый парето-оптимальный рейтинг. Используйте при сравнении моделей или конфигураций агентов по конкурирующим целям, создании панелей оценки или определении границы эффективности для выбора модели. Реализует взвешенные композитные оценки, обнаружение парето-границы и визуализацию радарной диаграммой для многомерного бенчмаркинга LLM.
машинный переводПоказать оригиналСкрыть оригинал«Composite scoring and efficiency frontier analysis for LLM evaluation…»
Composite scoring and efficiency frontier analysis for LLM evaluation — combines multiple quality dimensions (accuracy, latency, cost, consistency) into a single Pareto-optimal ranking. Use when comparing models or agent configurations across competing objectives, building evaluation dashboards, or identifying the efficiency frontier for model selection. Implements weighted composite scores, Pareto frontier detection, and radar chart visualisation for multi-dimensional LLM benchmarking.
Композитный анализ и анализ границы эффективности для оценки LLM — объединяет несколько измерений качества (точность, задержка, стоимость, согласованность) в…
Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- заметка
frontmatter-keyнеизвестное поле фронтматтера "status" - заметка
frontmatter-keyнеизвестное поле фронтматтера "requires"
Процессный рейтинг: все десять параметров 53/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 10
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 352 токенов
- 100Повторный запуск. Изменяющих операций нет
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- +4Нет примеров входа/выхода
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 491 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 4 заголовков
- +3Пошаговые инструкции: 10 пунктов
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 78.