Training & Fine-tuning
Entrainement et fine-tuning de modeles, MLOps, recherche scientifique.
| # | Skill | Source | Description | ||
|---|---|---|---|---|---|
| 1 | aoti-debug | pytorch/pytorch | Diagnostiquer et corriger les erreurs courantes d'AOTInductor avec méthode. | 101 064 | |
| 2 | pt2-bug-basher | pytorch/pytorch | Déboguer les erreurs de compilation PyTorch 2 via Dynamo, Inductor et AOTAutograd. | 101 064 | |
| 3 | backtesting-frameworks | wshobson/agents | Construire des systèmes de backtesting robustes pour évaluer fiablement des stratégies de trading. | 37 256 | |
| 4 | ml-pipeline-workflow | wshobson/agents | Orchestrer un pipeline MLOps complet de l'ingestion des données au déploiement en production. | 37 256 | |
| 5 | arize-annotation | github/awesome-copilot | Créer et gérer des configs d'annotation pour labelliser des spans IA via Arize. | 35 825 | |
| 6 | arize-experiment | github/awesome-copilot | Gérer et exporter des expériences d'évaluation de modèles IA via Arize. | 35 825 | |
| 7 | datanalysis-credit-risk | github/awesome-copilot | Nettoyer et sélectionner des variables pour modélisation de risque crédit. | 35 825 | |
| 8 | scvi-tools | anthropics/knowledge-work-plugins | Analyser des données single-cell multi-modales avec les modèles probabilistes scvi-tools. | 22 076 | |
| 9 | statistical-analysis | anthropics/knowledge-work-plugins | Analyser des données statistiques avec tendances, distributions et tests d'hypothèses. | 22 076 | |
| 10 | huggingface-community-evals | huggingface/skills | Évaluer localement des modèles Hugging Face Hub avec inspect-ai ou lighteval. | 10 736 | |
| 11 | huggingface-llm-trainer | huggingface/skills | Entraîner des modèles de langage avec TRL sur l'infrastructure cloud Hugging Face Jobs. | 10 736 | |
| 12 | huggingface-lora-space-builder | huggingface/skills | Créer et publier un espace Gradio sur Hugging Face pour inférence avec un LoRA. | 10 736 | |
| 13 | huggingface-trackio | huggingface/skills | Suivre, visualiser et piloter des expériences d'entraînement ML en temps réel. | 10 736 | |
| 14 | huggingface-vision-trainer | huggingface/skills | Entraîner des modèles de vision (détection, classification, segmentation) sur GPU cloud Hugging Face. | 10 736 | |
| 15 | huggingface-zerogpu | huggingface/skills | Configurer et optimiser des démos ML Gradio sur Hugging Face ZeroGPU. | 10 736 | |
| 16 | train-sentence-transformers | huggingface/skills | Entraîner des modèles sentence-transformers bi-encodeur, cross-encoder ou SPLADE selon le cas d'usage. | 10 736 | |
| 17 | trl-training | huggingface/skills | Affiner et aligner des LLMs via SFT, DPO, GRPO, RLOO ou reward modeling. | 10 736 | |
| 18 | azure-ai-ml-py | microsoft/skills | Gérer les ressources Azure ML via le SDK Python v2. | 2 623 | |
| 19 | azure-ai-vision-imageanalysis-py | microsoft/skills | Analyser des images Azure AI pour extraire texte, objets, légendes et tags. | 2 623 | |
| 20 | accessing-mlflow | nvidia/skills | Interroger et comparer des runs MLflow via langage naturel et MCP. | 1 952 | |
| 21 | ad-add-fusion-transformation | nvidia/skills | Ajouter, étendre ou auditer un pass de fusion dans AutoDeploy de TensorRT-LLM. | 1 952 | |
| 22 | ad-layer-visualizer | nvidia/skills | Visualiser un layer transformer depuis un dump de graphe AutoDeploy avec annotations GPU. | 1 952 | |
| 23 | ad-model-onboard | nvidia/skills | Automatiser l'intégration de modèles HuggingFace dans AutoDeploy avec tests et rapport. | 1 952 | |
| 24 | add-benchmark | nvidia/skills | Intégrer un benchmark natif ou externe dans le framework NeMo-Gym. | 1 952 | |
| 25 | adding-cutile-kernel | nvidia/skills | Intégrer un nouvel opérateur cuTile dans TileGym selon un workflow structuré étape par étape. | 1 952 | |
| 26 | auto-research | nvidia/skills | Automatiser des expériences NeMo-RL itératives avec git comme journal de recherche. | 1 952 | |
| 27 | converting-cutile-to-triton | nvidia/skills | Convertir des kernels cuTile en kernels Triton via un workflow structuré en cinq phases. | 1 952 | |
| 28 | cudaq-guide | nvidia/skills | Guider l'utilisateur dans CUDA-Q : installation, simulation GPU et accès QPU. | 1 952 | |
| 29 | cufolio | nvidia/skills | Optimiser un portefeuille financier avec accélération GPU via Mean-CVaR et cuOpt. | 1 952 | |
| 30 | cuopt-install | nvidia/skills | Installer cuOpt via pip, conda ou Docker pour Python, C ou REST. | 1 952 | |
| 31 | cuopt-installation-api-python | nvidia/skills | Installer cuOpt via pip, conda ou Docker pour optimiser des routes en Python. | 1 952 | |
| 32 | cuopt-lp-milp-api-python | nvidia/skills | Modéliser et résoudre des programmes linéaires LP/MILP avec le solveur GPU cuOpt. | 1 952 | |
| 33 | cuopt-numerical-optimization-api-python | nvidia/skills | Modéliser et résoudre des problèmes LP, MILP et QP avec cuOpt GPU d'NVIDIA. | 1 952 | |
| 34 | cuopt-qp-api-cli | nvidia/skills | Résoudre des problèmes d'optimisation quadratique via l'interface CLI cuOpt. | 1 952 | |
| 35 | cuopt-qp-api-python | nvidia/skills | Résoudre des problèmes d'optimisation quadratique en Python avec cuOpt QP. | 1 952 | |
| 36 | cuopt-user-rules | nvidia/skills | Optimiser des problèmes de routage et logistique avec cuOpt via des échanges guidés. | 1 952 | |
| 37 | cupynumeric-install | nvidia/skills | Installer et vérifier cuPyNumeric via conda ou pip sur GPU ou CPU. | 1 952 | |
| 38 | cupynumeric-migration-readiness | nvidia/skills | Évaluer la compatibilité du code NumPy avec cuPyNumeric avant toute migration GPU. | 1 952 | |
| 39 | cutile-autotuning | nvidia/skills | Autotuner des kernels CuTile via recherche exhaustive avec cache et lancement optimisé. | 1 952 | |
| 40 | cutile-python | nvidia/skills | Écrire, déboguer et optimiser des kernels GPU haute performance avec cuTile Python. | 1 952 | |
| 41 | deepstream-import-vision-model | nvidia/skills | Importer et benchmarker des modèles de détection d'objets dans DeepStream via TensorRT. | 1 952 | |
| 42 | digital-health-clinical-asr-build | nvidia/skills | Construire un benchmark ASR clinique avec termes médicaux, audio synthétisé et manifest NeMo. | 1 952 | |
| 43 | digital-health-clinical-asr-eval | nvidia/skills | Évaluer et router des transcriptions ASR cliniques selon quatre métriques de qualité. | 1 952 | |
| 44 | digital-health-clinical-asr-finetune | nvidia/skills | Affiner un modèle ASR clinique avec NeMo SFT pour réduire les erreurs médicales. | 1 952 | |
| 45 | digital-health-clinical-asr-setup | nvidia/skills | Configurer et valider l'accès à la pile ASR clinique hébergée par NVIDIA. | 1 952 | |
| 46 | earth2studio-deterministic-forecast | nvidia/skills | Générer des scripts de prévision météo déterministe avec Earth2Studio. | 1 952 | |
| 47 | earth2studio-discover | nvidia/skills | Identifier les modèles, sources de données et exemples Earth2Studio adaptés à une tâche météo. | 1 952 | |
| 48 | earth2studio-install | nvidia/skills | Guider l'installation correcte d'Earth2Studio et de ses dépendances optionnelles. | 1 952 | |
| 49 | evaluation | nvidia/skills | Générer et exécuter des configurations YAML d'évaluation de modèles LLM via NeMo Evaluator. | 1 952 | |
| 50 | exec-local-compile | nvidia/skills | Compiler TensorRT-LLM depuis les sources sur un nœud de calcul avec GPU. | 1 952 |
À propos de cette sélection
Quand un modèle de base commence à produire des réponses trop génériques pour rester crédibles en production, le travail sérieux commence. Cette section s'adresse aux ingénieurs ML et aux équipes qui adaptent, évaluent et débogent des modèles en conditions réelles : affiner un LLM sur un corpus métier avec Hugging Face, tracer des expériences d'entraînement bout en bout, ou remonter un bug de compilation dans le runtime PyTorch avant qu'il bloque un pipeline entier.
Les skills training & fine-tuning couvrent un spectre plus large que le seul fine-tuning supervisé. On y trouve des outils d'annotation, de benchmarking, de kernels custom côté NVIDIA, et quelques skills orientés recherche reproductible. L'outillage reste majoritairement Python, avec une densité forte autour des frameworks majeurs. Certains cas avancés demandent encore de composer plusieurs skills ensemble, mais la base est solide.