lllllllama

딥러닝 디버깅은 종종 연구 재현성을 깨는 추측성 패치로 이어집니다. 이 스킬은 명시적인 승인 게이트를 통해 보수적인 진단을 제공하여 디버그 수정 사항을 연구 기여와 분리하여 유지합니다.

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 저장소를 수동으로 스캔하여 재현 명령어를 찾는 것은 시간이 많이 소요되고 오류가 발생하기 쉽습니다. 이 스킬은 README 우선 분석을 자동화하여 문서화된 명령어를 추출하고 신뢰할 수 있는 최소 재현 계획을 생성합니다.

AI 연구를 재현할 때 저장소 README에는 데이터셋 분할, 평가 프로토콜 또는 전처리 세부 사항에 대한 중요한 격차가 종종 남아있습니다. 이 스킬은 README 우선 지침을 유지하면서 주요 논문 소스에서 이러한 좁은 재현 질문을 해결합니다.

AI 논문 재현 실험을 실행하려면 일관된 명령 실행과 표준화된 보고가 필요합니다. 이 스킬은 스모크 테스트, 추론 실행, 또는 평가 명령을 실행하면서 감사 추적을 위한 구조화된 출력 번들을 자동으로 생성합니다.

딥러닝 연구자는 결과를 과대 해석하지 않으면서 빠르게 탐색적 시도를 실행할 필요가 있습니다. 이 스킬은 예산을 고려한 변형 매트릭스와 공정한 비교에 대한 주의사항을 생성하여, 신뢰할 수 있는 베이스라인과 탐색적 증거를 명확하게 분리합니다.

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.

논문 재현을 위한 AI 연구 환경 설정은 복잡하고 오류가 발생하기 쉽습니다. 이 스킬은 보수적인 conda 우선 환경 생성 및 에셋 경로规划的自动化를 통해 설정 마찰을 줄입니다.

새로운 딥러닝 저장소를 이해하는 것은 시간이 많이 걸리고 오류가 발생하기 쉽습니다. 이 스킬은 코드를 수정하거나 비용이 많이 드는 학습 작업을 실행하지 않고 모델 구조, 학습 진입점, 의심스러운 패턴을 매핑하는 읽기 전용 정적 분석을 제공합니다.

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.

연구자들은 과학적 엄밀성을 가지고 신규 딥러닝 아이디어를 체계적으로 탐색하고 순위를 매기는 데 어려움을 겪습니다. 이 스킬은 current_research 위에 아이디어 게이팅, 공정한 비교, 관리된 실험 워크플로우를 갖춘 감사 가능한 후보 탐색을 제공합니다.