Explorar skills

Use when fine-tuning LLMs, training custom models, or adapting foundation models for specific tasks. Invoke for configuring LoRA/QLoRA adapters, preparing JSONL training datasets, setting hyperparameters for fine-tuning runs, adapter training, transfer learning, finetuning with Hugging Face PEFT, OpenAI fine-tuning, instruction tuning, RLHF, DPO, or quantizing and deploying fine-tuned models. Trig

Optimizes database queries and improves performance across PostgreSQL and MySQL systems. Use when investigating slow queries, analyzing execution plans, or optimizing database performance. Invoke for index design, query rewrites, configuration tuning, partitioning strategies, lock contention resolution.

Use when building high-performance async Python APIs with FastAPI and Pydantic V2. Invoke to create REST endpoints, define Pydantic models, implement authentication flows, set up async SQLAlchemy database operations, add JWT authentication, build WebSocket endpoints, or generate OpenAPI documentation. Trigger terms: FastAPI, Pydantic, async Python, Python API, REST API Python, SQLAlchemy async, JW

Optimizes SQL queries, designs database schemas, and troubleshoots performance issues. Use when a user asks why their query is slow, needs help writing complex joins or aggregations, mentions database performance issues, or wants to design or migrate a schema. Invoke for complex queries, window functions, CTEs, indexing strategies, query plan analysis, covering index creation, recursive queries, E

Performs pandas DataFrame operations for data analysis, manipulation, and transformation. Use when working with pandas DataFrames, data cleaning, aggregation, merging, or time series analysis. Invoke for data manipulation tasks such as joining DataFrames on multiple keys, pivoting tables, resampling time series, handling NaN values with interpolation or forward-fill, groupby aggregations, type con

Cuantización Half-Quadratic para LLMs sin datos de calibración. Úselo al cuantizar modelos a precisión de 4/3/2 bits sin necesidad de conjuntos de datos de calibración, para flujos de trabajo de cuantización rápidos, o al desplegar con vLLM o HuggingFace Transformers.

Procesamiento de datos escalable para cargas de trabajo de ML con ejecución en streaming a través de CPU/GPU, compatible con varios formatos como Parquet/CSV/JSON/imágenes. Se integra con Ray Train, PyTorch y TensorFlow, escalando desde una sola máquina hasta cientos de nodos para tareas como inferencia por lotes, preprocesamiento de datos y pipelines ETL distribuidos.

Plataforma de observabilidad de IA de código abierto para el rastreo, evaluación y monitoreo de LLMs. Úsela al depurar aplicaciones LLM con rastreos detallados, ejecutar evaluaciones en conjuntos de datos o monitorear sistemas de IA en producción con información en tiempo real.

Genera figuras con calidad de publicación para artículos de ML, extrayendo componentes para diagramas de arquitectura vía Gemini y creando gráficos de datos vía matplotlib/seaborn. Úselo para cualquier figura de artículo de conferencia.

Esta habilidad permite ajustar y servir modelos OpenPI de Inteligencia Física (pi0, pi0-fast, pi0.5) utilizando backends JAX o PyTorch para la inferencia de políticas de robots en entornos ALOHA, DROID y LIBERO. Es útil para adaptar modelos a datasets personalizados, convertir checkpoints, ejecutar servidores de inferencia o depurar.

Fondo de desplazamiento fluido WebGL con frases destacadas superpuestas en la parte superior, ideal para intros de video, secciones hero de landing pages o pósteres.

Entrada de logo con montaje por bloques, efecto de brillo y revelación de eslogan, ideal para finales de video o cierres de marca.