SKILLEMALL.ai
EN Войти

AC model-throughput-tester

Тестирует пропускную способность LLM-модели — измеряет токены/с, задержку и скорость вывода. Поддерживает автоматический режим (ключ API не требуется) через openclaw infer или прямой режим API для конечных точек, совместимых с OpenAI. Триггеры: тест пропускной способности, токены/с, тест задержки, бенчмарк, тест скорости, тест модели.

машинный переводПоказать оригиналСкрыть оригинал«Benchmark LLM model throughput — measure tokens/s, latency, and output…»

Benchmark LLM model throughput — measure tokens/s, latency, and output speed. Supports auto mode (no API key needed) via openclaw infer, or direct API mode for OpenAI-compatible endpoints. Trigger: throughput test, tokens/s, latency test, benchmark, speed test, model test.

ClawHub Agent Skills автор: TSAG1 v1.0.8 MIT-0 8 файлов тело ≈ 1 533 токенов Открыть источникclawhub.ai↗ проанализирован 13 ч назад

Тестирует пропускную способность LLM-модели — измеряет токены/с, задержку и скорость вывода.

Как процесс C 57/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, повторный запуск

ИнтеграцияЛюди и наймтип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
74
Прогон на моделях
не было
Процессный рейтинг
C
57/100
Есть пробелы
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Как улучшить

    Для прогона на моделях — необязательно
    • 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: 7. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • предупреждение frontmatter-yaml SKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Nested mappings are not allowed in compact mappings at line 4, column 14: description: Benchmark LLM model throughput — measure tokens/s, latency, and ou… ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении
    • заметка frontmatter-key неизвестное поле фронтматтера "name_zh"
    • заметка frontmatter-key неизвестное поле фронтматтера "description_zh"
    • заметка frontmatter-key неизвестное поле фронтматтера "triggerWords"

    Процессный рейтинг: все десять параметров 57/100

    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Инструменты и файлы. Используются инструменты (web, python), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 100Шаги. Шагов: 17
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1533 токенов
    • low Разделов верхнего уровня: 10. Похоже на несколько доменов в одном скилле

    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)
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 273 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 20 заголовков
    • +3Пошаговые инструкции: 17 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (11 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 74.

    Внешние проверки

    ClawHub: clean
    This skill is a coherent model-speed benchmarking tool whose network calls, local report writing, and OpenClaw CLI use match its stated purpose.
    LLM: benign (high) · VirusTotal: · 9 июл. 2026 г.