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. | 103 325 | |
| 2 | pt2-bug-basher | pytorch/pytorch | Déboguer les erreurs de compilation PyTorch 2 via Dynamo, Inductor et AOTAutograd. | 103 325 | |
| 3 | backtesting-frameworks | wshobson/agents | Construire des systèmes de backtesting robustes pour évaluer fiablement des stratégies de trading. | 39 975 | |
| 4 | grpo-rlvr-training | wshobson/agents | Configurer et lancer un entraînement GRPO/RLVR avec récompenses vérifiables. | 39 975 | |
| 5 | lora-qlora-recipes | wshobson/agents | Configurer des adaptateurs LoRA et QLoRA optimaux pour le fine-tuning SFT supervisé. | 39 975 | |
| 6 | ml-pipeline-workflow | wshobson/agents | Orchestrer un pipeline MLOps complet de l'ingestion des données au déploiement en production. | 39 975 | |
| 7 | preference-optimization | wshobson/agents | Sélectionner et configurer la méthode optimale d'alignement par préférences (DPO, ORPO, KTO, SimPO). | 39 975 | |
| 8 | quantized-export | wshobson/agents | Exporter un checkpoint promu au bon format quantifié selon la cible matérielle. | 39 975 | |
| 9 | spark-environment-setup | wshobson/agents | Configurer et déboguer un environnement ML sur DGX Spark avec CUDA 13. | 39 975 | |
| 10 | spark-memory-thermal-ops | wshobson/agents | Gérer la mémoire unifiée et les thermiques du DGX Spark GB10 efficacement. | 39 975 | |
| 11 | spark-training-gotchas | wshobson/agents | Diagnostiquer et corriger les dix pannes récurrentes d'entraînement sur DGX Spark GB10. | 39 975 | |
| 12 | vision-sft | wshobson/agents | Configurer et affiner un modèle vision-langage avec LoRA/QLoRA de façon optimale. | 39 975 | |
| 13 | arize-annotation | github/awesome-copilot | Créer et gérer des configs d'annotation pour labelliser des spans IA via Arize. | 39 398 | |
| 14 | arize-experiment | github/awesome-copilot | Gérer et exporter des expériences d'évaluation de modèles IA via Arize. | 39 398 | |
| 15 | datanalysis-credit-risk | github/awesome-copilot | Nettoyer et sélectionner des variables pour modélisation de risque crédit. | 39 398 | |
| 16 | scvi-tools | anthropics/knowledge-work-plugins | Analyser des données single-cell multi-modales avec les modèles probabilistes scvi-tools. | 25 630 | |
| 17 | statistical-analysis | anthropics/knowledge-work-plugins | Analyser des données statistiques avec tendances, distributions et tests d'hypothèses. | 25 630 | |
| 18 | huggingface-community-evals | huggingface/skills | Évaluer localement des modèles Hugging Face Hub avec inspect-ai ou lighteval. | 11 102 | |
| 19 | huggingface-llm-trainer | huggingface/skills | Entraîner des modèles de langage avec TRL sur l'infrastructure cloud Hugging Face Jobs. | 11 102 | |
| 20 | huggingface-lora-space-builder | huggingface/skills | Créer et publier un espace Gradio sur Hugging Face pour inférence avec un LoRA. | 11 102 | |
| 21 | huggingface-trackio | huggingface/skills | Suivre, visualiser et piloter des expériences d'entraînement ML en temps réel. | 11 102 | |
| 22 | huggingface-vision-trainer | huggingface/skills | Entraîner des modèles de vision (détection, classification, segmentation) sur GPU cloud Hugging Face. | 11 102 | |
| 23 | huggingface-zerogpu | huggingface/skills | Configurer et optimiser des démos ML Gradio sur Hugging Face ZeroGPU. | 11 102 | |
| 24 | train-sentence-transformers | huggingface/skills | Entraîner des modèles sentence-transformers bi-encodeur, cross-encoder ou SPLADE selon le cas d'usage. | 11 102 | |
| 25 | trl-training | huggingface/skills | Affiner et aligner des LLMs via SFT, DPO, GRPO, RLOO ou reward modeling. | 11 102 | |
| 26 | accessing-mlflow | nvidia/model-optimizer | Interroger et comparer des runs MLflow via langage naturel et MCP. | 4 466 | |
| 27 | compare-results | nvidia/model-optimizer | Comparer baseline et candidat quantisé pour évaluer la dégradation de précision. | 4 466 | |
| 28 | day0-release | nvidia/model-optimizer | Orchestrer le cycle complet de release d'un checkpoint quantisé jusqu'à la recommandation de publication. | 4 466 | |
| 29 | eagle3-new-model | nvidia/model-optimizer | Configurer un pipeline EAGLE3 en 4 tâches pour un nouveau modèle HF. | 4 466 | |
| 30 | eagle3-review-logs | nvidia/model-optimizer | Analyser les logs d'un pipeline EAGLE3 et produire un rapport de diagnostic structuré. | 4 466 | |
| 31 | eagle3-triage | nvidia/model-optimizer | Diagnostiquer et corriger les échecs du pipeline offline EAGLE3 en quatre étapes. | 4 466 | |
| 32 | eagle3-validate | nvidia/model-optimizer | Valider un pipeline EAGLE3 et produire un rapport de qualité complet. | 4 466 | |
| 33 | evaluation | nvidia/model-optimizer | Configurer, lancer et superviser des évaluations de modèles via NeMo Evaluator Launcher. | 4 466 | |
| 34 | ptq | nvidia/model-optimizer | Quantifier un modèle pré-entraîné en checkpoint optimisé via ModelOpt PTQ. | 4 466 | |
| 35 | quant-recipe-search | nvidia/model-optimizer | Orchestrer une recherche itérative de recettes de quantisation optimales pour modèles IA. | 4 466 | |
| 36 | cudaq-guide | nvidia/skills | Guider l'utilisateur dans CUDA-Q : installation, simulation GPU et accès QPU. | 3 437 | |
| 37 | cudaq-importing | nvidia/skills | Convertir des circuits quantiques Qiskit ou autres frameworks vers CUDA-Q Python. | 3 437 | |
| 38 | cuopt-install | nvidia/skills | Installer cuOpt via pip, conda ou Docker pour Python, C ou REST. | 3 437 | |
| 39 | cuopt-numerical-optimization-api | nvidia/skills | Modéliser et résoudre des problèmes LP, MILP et QP via l'API GPU NVIDIA cuOpt. | 3 437 | |
| 40 | deepstream-import-vision-model | nvidia/skills | Importer et benchmarker des modèles de détection d'objets dans DeepStream via TensorRT. | 3 437 | |
| 41 | deepstream-profile-pipeline | nvidia/skills | Créer et profiler des pipelines DeepStream optimisés avec mesures Nsight Systems automatisées. | 3 437 | |
| 42 | deepstream-run-mv3dt | nvidia/skills | Déployer et opérer l'application DeepStream Multi-View 3D Tracking multi-caméras. | 3 437 | |
| 43 | deepstream-sop | nvidia/skills | Construire et déboguer un pipeline DeepStream GPU pour la détection d'actions industrielles. | 3 437 | |
| 44 | digital-health-clinical-asr-build | nvidia/skills | Construire un benchmark ASR clinique avec termes médicaux, audio synthétisé et manifest NeMo. | 3 437 | |
| 45 | digital-health-clinical-asr-eval | nvidia/skills | Évaluer et router des transcriptions ASR cliniques selon quatre métriques de qualité. | 3 437 | |
| 46 | digital-health-clinical-asr-finetune | nvidia/skills | Affiner un modèle ASR clinique avec NeMo SFT pour réduire les erreurs médicales. | 3 437 | |
| 47 | digital-health-clinical-asr-setup | nvidia/skills | Configurer et valider l'accès à la pile ASR clinique hébergée par NVIDIA. | 3 437 | |
| 48 | earth2studio-create-diagnostic | nvidia/skills | Intégrer un modèle de diagnostic ML tiers dans Earth2Studio via une API standardisée. | 3 437 | |
| 49 | earth2studio-create-prognostic | nvidia/skills | Implémenter un wrapper de modèle météo ML prognostique pour Earth2Studio. | 3 437 | |
| 50 | earth2studio-deterministic-forecast | nvidia/skills | Générer des scripts de prévision météo déterministe avec Earth2Studio. | 3 437 |
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.