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

Use when deploying or managing Kubernetes workloads. Invoke to create deployment manifests, configure pod security policies, set up service accounts, define network isolation rules, debug pod crashes, analyze resource limits, inspect container logs, or right-size workloads. Use for Helm charts, RBAC policies, NetworkPolicies, storage configuration, performance optimization, GitOps pipelines, and m

Designs cloud architectures, creates migration plans, generates cost optimization recommendations, and produces disaster recovery strategies across AWS, Azure, and GCP. Use when designing cloud architectures, planning migrations, or optimizing multi-cloud deployments. Invoke for Well-Architected Framework, cost optimization, disaster recovery, landing zones, security architecture, serverless desig

Designs and implements production-grade ML pipeline infrastructure: configures experiment tracking with MLflow or Weights & Biases, creates Kubeflow or Airflow DAGs for training orchestration, builds feature store schemas with Feast, deploys model registries, and automates retraining and validation workflows. Use when building ML pipelines, orchestrating training workflows, automating model lifecy

Use when building Next.js 14+ applications with App Router, server components, or server actions. Invoke to configure route handlers, implement middleware, set up API routes, add streaming SSR, write generateMetadata for SEO, scaffold loading.tsx/error.tsx boundaries, or deploy to Vercel. Triggers on: Next.js, Next.js 14, App Router, RSC, use server, Server Components, Server Actions, React Server

O modelo de moderação especializado de 7-8B da Meta filtra entradas e saídas de LLMs em 6 categorias de segurança, incluindo violência/ódio e conteúdo sexual, com 94-95% de precisão. Ele pode ser implantado com vLLM, HuggingFace, Sagemaker e integra-se com NeMo Guardrails.

Um framework para construir aplicações com LLMs, utilizando agentes, cadeias e RAG. Suporta múltiplos provedores, mais de 500 integrações, agentes ReAct, chamada de ferramentas, gerenciamento de memória e recuperação de vetores, ideal para prototipagem rápida e implantações em produção.

Ajusta e avalia políticas OpenVLA-OFT e OpenVLA-OFT+ para geração de ações de robôs com cabeças de ação contínuas, adaptação LoRA e condicionamento FiLM em simulações LIBERO e configurações reais ALOHA. Use para reproduzir resultados do artigo OpenVLA-OFT, treinar cabeças de ação VLA personalizadas, implantar inferência ALOHA cliente-servidor ou depurar componentes como normalização e fusão LoRA.

Comprima grandes modelos de linguagem usando destilação de conhecimento de modelos professores para modelos alunos. Esta técnica é útil para implantar modelos menores com desempenho mantido, transferir capacidades do GPT-4 para modelos de código aberto ou reduzir custos de inferência, cobrindo estratégias como escalonamento de temperatura, soft targets, KLD reverso, destilação de logits e treinamento MiniLLM.

Este método de compressão de LLM de 4 bits, vencedor do prêmio Best Paper do MLSys 2024, utiliza quantização de pesos sensível à ativação, proporcionando uma aceleração de 3x e perda mínima de precisão. É ideal para implantar modelos grandes em GPUs com memória limitada ou para inferência mais rápida e precisa que o GPTQ, especialmente para modelos ajustados por instrução e multimodais.

Executa inferência de LLM em CPU, Apple Silicon e GPUs de consumo sem hardware NVIDIA, ideal para implantação em edge, Macs M1/M2/M3, GPUs AMD/Intel ou quando CUDA não está disponível. Suporta quantização GGUF (1.5-8 bit) para memória reduzida e uma aceleração de 4-10x em comparação com PyTorch na CPU.

Mescle múltiplos modelos ajustados com mergekit para combinar capacidades sem retreinar, ideal para criar modelos especializados ao mesclar expertise de domínio específico ou melhorar o desempenho. Abrange várias técnicas de fusão como SLERP, TIES-Merging, DARE, Task Arithmetic e fusão linear, além de estratégias de implantação em produção.