Анализ чувствительности префилла по logprob
Командам по безопасности моделей нужны воспроизводимые доказательства того, когда префиллы повышают вероятность эксплойтного поведения. Этот навык проводит Claude, Codex и Claude Code через анализ траекторий и logprob.
Остановитесь и запросите подтверждение перед установкой.
Проверьте план и получите явное согласие пользователя перед изменением файлов.
Скопируйте этот запрос в своего Агента. Он содержит каноническую страницу Skill и манифест.
Review the Skillstore skill "logprob-prefill-analysis" from https://skillstore.io/skills/eleutherai-logprob-prefill-analysis.md and its manifest at https://skillstore.io/api/skills/eleutherai-logprob-prefill-analysis/manifest. Verify the artifact. Stop and obtain explicit user consent before installing or changing files.Ваш Агент по-прежнему должен показать план и запросить все подтверждения, требуемые политикой безопасности.
Используйте эти ссылки, когда AI-агенту, crawler или script нужен чистый контекст вместо полной страницы.
Использование «logprob-prefill-analysis». У меня есть завершенный запуск чувствительности префилла, и мне нужны тренды восприимчивости чекпойнтов.
Ожидаемый результат:
Краткий отчет с перечислением протестированных чекпойнтов, пересечений порогов и графиков, которые обобщают доступность в ходе обучения.
Использование «logprob-prefill-analysis». Я хочу понять, что лучше предсказывает эксплуатируемость: logprob или количество токенов.
Ожидаемый результат:
Сводка сравнения, объясняющая объединенные метрики, время достижения порогов и то, какие доказательства поддерживают каждый вывод.
Использование «logprob-prefill-analysis». Мне нужно проверить выходные данные перед передачей внутреннего отчета по безопасности модели.
Ожидаемый результат:
Контрольный список проверки, охватывающий сгенерированные примеры, метаданные, графики и чувствительные артефакты, требующие редактирования.
The static command findings are false positives caused by Markdown code fences and inline code formatting, plus localhost-only examples. The main residual risk is semantic: the skill teaches a dual-use workflow for eliciting and analyzing exploit-oriented model behavior.
Делитесь версионным отчетом об оценке, нейтральным значком, встраиваемой карточкой и цитатами. Skillstore публикует доказательства, не решая, безопасен ли этот Skill.
https://skillstore.io/skills/eleutherai-logprob-prefill-analysis/audits/8?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report[](https://skillstore.io/skills/eleutherai-logprob-prefill-analysis?utm_source=security_passport_badge)<a href="https://skillstore.io/skills/eleutherai-logprob-prefill-analysis?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/eleutherai-logprob-prefill-analysis/security.svg" alt="Skillstore security assessment" loading="lazy"></a><iframe src="https://skillstore.io/embed/skills/eleutherai-logprob-prefill-analysis.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>EleutherAI. (2026). logprob-prefill-analysis security audit report (audit version 8) [Author version unspecified]. Skillstore. https://skillstore.io/skills/eleutherai-logprob-prefill-analysis/audits/8@techreport{eleutherai-eleutherai-logprob-prefill-analysis-2026,
author = {EleutherAI},
title = {logprob-prefill-analysis security audit report (audit version 8)},
institution = {Skillstore},
year = {2026},
number = {8},
url = {https://skillstore.io/skills/eleutherai-logprob-prefill-analysis/audits/8},
note = {Author version unspecified}
}cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "logprob-prefill-analysis security audit report (audit version 8)"
version: "unspecified"
type: report
authors:
- name: "EleutherAI"
date-released: "2026-07-05"
url: "https://skillstore.io/skills/eleutherai-logprob-prefill-analysis/audits/8"
identifiers:
- type: other
value: "skillstore:eleutherai-logprob-prefill-analysis:audit:8"
description: "Skillstore immutable audit report identifier"
Повторно запустите документированный пайплайн и сравните выходные данные с известным экспериментом чувствительности.
Отслеживайте, когда чекпойнты модели становятся легче управляемыми с помощью префиллов, ориентированных на эксплойты.
Создавайте таблицы, графики и файлы контекста запуска для внутренней проверки безопасности.
Используйте этот навык, чтобы объяснить, какие файлы, чекпойнты и инструменты мне нужны перед запуском анализа чувствительности префилла.
Используйте этот навык, чтобы спланировать пробный запуск для моего пути запуска чувствительности и определить отсутствующие предварительные требования.
Используйте этот навык, чтобы сравнить траектории на основе токенов и результаты logprob префилла для моего каталога запуска.
Используйте этот навык, чтобы воспроизвести полный пайплайн, проверить файлы контекста запуска и отметить небезопасные или неполные выходные данные.
Автор
EleutherAIЛицензия
MIT
Ревизия Skillstore
r1
Примечание о версии
Автор не указал версию.
Репозиторий
https://github.com/EleutherAI/rh-indicators/tree/main/.claude/skills/logprob-prefill-analysisСсылка
30c73eac2afe762f6aa9c4553158769369d47351
Актуальность поддержки
18.07.2026
Использование
5 загрузок · 261 просмотров
Структура файлов
📄 SKILL.md
Исследование кандидатов для исследований в области глубокого обучения
от lllllllama
Исследовательским командам нужны дисциплинированные способы проверять идеи-кандидаты без преувеличения результатов. Этот навык структурирует поиск источников, ранжирование идей, ограниченные запуски и проверяемые выходные материалы.
Проверка ML-процессов на скрытые антипаттерны
от Doyajin174
ML-проекты могут выглядеть точными, пока утечка данных или слабая оценка скрывают серьезные недостатки. Этот навык помогает проводить структурированные проверки разбиений, метрик, обучения и готовности к развертыванию.
Проектирование экспериментов и моделей в Data Science
от davila7
В проектах по Data Science часто не хватает четких планов экспериментов и проверок оценки. Этот навык предоставляет структурированные рекомендации по экспериментам, признакам, моделям и аналитическим решениям.
Создание рабочих процессов машинного обучения scikit-learn
от davila7
Проектам машинного обучения нужны согласованные шаблоны предобработки, оценки и выбора моделей. Этот навык дает Claude, Codex и Claude Code целевые рекомендации по scikit-learn со справочными материалами и примерами.
Защита секретов окружения в AI-сессиях
от sickn33
Секреты могут утекать через AI-чаты, вывод терминала, логи и коммиты. Этот навык дает краткие практики безопасной работы с переменными окружения в Claude, Codex и Claude Code.
Оптимизация промптов LLM-приложений
от sickn33
Слабые промпты приводят к нестабильному поведению LLM, более высоким затратам на токены и сложному тестированию. Этот навык превращает черновые инструкции в структурированные промпты с рекомендациями по оценке, безопасности и развертыванию.