m

模型评估基准

技能标识：ml-model-eval-benchmark

Compare model candidates using weighted metrics and deterministic ranking outputs. Use for benchmark leaderboards and model promotion decisions.

作者：admin | 来源记录：ClawHub

下载

登记来源

ClawHub

版本

V 0.1.0

检测标记

后台标记通过

免费
免费获取

0
收藏

来源与检测标记为平台登记信息，并不代表已展示可复核的检测报告。使用前请核对版本、依赖和所需权限，建议先在隔离环境中运行。

概述

安装方式

版本历史

模型评估基准

ML模型评估基准

概述

根据指标加权评估输入，生成一致的模型排名输出。

工作流程

1. 定义指标权重和可接受的指标范围。
为每个候选模型导入模型指标。
计算加权得分和排名。
导出排行榜和晋升推荐。

使用捆绑资源

- 运行 scripts/benchmark_models.py 生成基准测试输出。
阅读 references/benchmarking-guide.md 获取权重设置和打破平局的指导。

约束条件

- 确保各候选模型的指标名称和尺度保持一致。
在输出中记录权重假设。

通过对话安装

以下为平台配置的接入选项，并非逐项实测通过。能否安装取决于客户端支持、技能来源和运行环境：

OpenClaw WorkBuddy QClaw Kimi Claude

方式一：安装 SkillHub 和技能

帮我安装 SkillHub 和 ml-model-eval-benchmark-1776296784 技能

方式二：设置 SkillHub 为优先技能安装源

设置 SkillHub 为我的优先技能安装源，然后帮我安装 ml-model-eval-benchmark-1776296784 技能

通过命令行安装

skillhub install ml-model-eval-benchmark-1776296784

下载

⬇ 下载 ml-model-eval-benchmark v0.1.0（免费）

文件大小: 3.52 KB | 发布时间: 2026-4-16 17:58

v0.1.0 最新 2026-4-16 17:58

- Initial release of ml-model-eval-benchmark.
- Supports weighted metric evaluation and deterministic model ranking.
- Enables benchmark leaderboard generation and model promotion decisions.
- Includes scripts and guides for consistent evaluation workflows.
- Enforces standardized metric names, scales, and explicit weighting documentation.

返回顶部