lllllllama

ディープラーニングのデバッグは、研究の再現性を損なう投機的なパッチにつながりがちです。このスキルは、明示的な承認ゲートを通じて、あらゆるコード変更の前に保守的な診断を提供し、デバッグの修正を研究の貢献とは別物に保ちます。

Deep learning training runs often lack reproducible evidence and clear status reporting. This skill executes a selected training command conservatively and writes standardized training evidence to train_outputs/.

AI リポジトリを手動でスキャンして再現コマンドを見つけるのは時間がかかり、エラーが発生しやすいものです。このスキルは README 優先の分析を自動化し、ドキュメント化されたコマンドを抽出して、最小限の信頼できる再現計画を生成します。

AI 研究を再現する際、リポジトリの README にはデータセット分割、評価プロトコル、前処理の詳細について重大な欠落がしばしば残されています。このスキルは、README を最優先としつつ、主要な論文ソースからそれらの狭い再現に関する質問を解決します。

AI論文の再現実験を行うには、一貫したコマンド実行と標準化されたレポートが必要です。このスキルは、スモークテスト、推論実行、評価コマンドを実行し、監査トレイル用の構造化された出力バンドルを自動的に生成します。

深層学習研究者は、結果を過大評価することなく迅速な探索的試行を実行する必要があります。このスキルは、公平な比較の注意書きを付けた予算を考慮したバリアントマトリックスを生成し、探索的なエビデンスを信頼できるベースラインと明確に分離します。

Deep learning researchers need to explore code modifications without breaking trusted baselines. This skill creates conservative, auditable change plans with explicit rollback paths for isolated worktrees.

論文再現のための AI 研究環境構築は複雑でエラーが発生しやすいものです。このスキルは、conda を優先した保守的な環境作成とアセットパスの計画を自動化し、セットアップの摩擦を軽減します。

新しいディープラーニングリポジトリを理解するには時間がかかり、ミスも発生しやすいです。このスキルは読み取り専用の静的解析を提供し、コードを改変したり高コストな学習ジョブを実行したりすることなく、モデル構造、学習エントリーポイント、不審なパターンをマッピングします。

Reproducing deep learning papers is slow and error-prone because commands, datasets, and assumptions are scattered across READMEs. This skill reads the repository first, selects the smallest documented target, and writes a standardized repro_outputs/ bundle with evidence, deviations, and human decision points.

研究者は、科学的厳密さを保ちながら新規のディープラーニングアイデアを体系的に探索しランキングすることに苦労しています。このスキルは、current_researchの上に、アイデアのゲーティング、公平な比較、ガバナンスされた実験ワークフローを備えた監査可能な候補探索を提供します。