К основному содержанию
скилл Claude Code CX Codex Cursor GitHub Copilot

huggingface-community-evals — скилл для Claude Code: запуск оценок

Скилл для запуска оценок моделей Hugging Face Hub на своём железе через inspect-ai и lighteval. Пригодится, когда нужно выбрать бэкенд или проверить модель перед масштабным прогоном.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add huggingface/skills --skill huggingface-community-evals -a claude-code
Открыть на GitHub

Что делает huggingface-community-evals

Скилл покрывает локальные прогоны оценок через inspect-ai и lighteval. Внутри три готовых скрипта: inspect_eval_uv.py для прогона через Inference Providers без прямого доступа к GPU, inspect_vllm_uv.py для локального GPU через vllm или Transformers, и lighteval_vllm_uv.py для задач в формате lighteval-строк через vllm или accelerate.

Рабочий процесс начинается с выбора фреймворка и бэкенда. Для inspect-ai подходит явное управление задачами, для lighteval — leaderboard-стиль бенчмарков. Бэкенд по умолчанию — vllm, потому что он быстрее на поддерживаемых архитектурах; Transformers и accelerate идут как запасной вариант.

Перед запуском на GPU стоит проверить nvidia-smi и HF_TOKEN. Для приватных моделей токен обязателен. Если nvidia-smi недоступен, скилл советует либо использовать облегчённый inspect_eval_uv.py, либо передать задачу скиллу hugging-face-jobs для удалённого запуска. На моделях больше 13B локального GPU может не хватить — это повод сразу смотреть в сторону Hugging Face Jobs.

Какие задачи решает

  • Запустить оценку модели Hugging Face локально через inspect-ai
  • Выбрать между vllm, Transformers и accelerate для прогона
  • Провести смоук-тест с ограничением выборки перед полным прогоном
  • Собрать lighteval-задачи в формате suite|task|num_fewshot
  • Понять, когда локальный GPU не справится и нужен удалённый запуск

Примеры запросов агенту

  • Запусти локальную оценку модели meta-llama/Llama-3.2-1B на задаче mmlu через inspect-ai с лимитом 20
  • Выбери бэкенд для microsoft/phi-2: vllm не поддерживает архитектуру, используй Transformers
  • Проверь, что GPU доступен, и прогони lighteval на leaderboard|gsm8k|5 через vllm

Как установить huggingface-community-evals

1Через Skills CLI (Vercel)

npx skills add huggingface/skills --skill huggingface-community-evals -a claude-code

2Вручную: положить файлы

~/.claude/skills/huggingface-community-evals/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/huggingface-community-evals/

Из того же набора10

Весь набор →
huggingface-datasets huggingface Работает с Dataset Viewer API: читает структуру наборов, строки, статистику и ссылки на parquet. Пригодится для изучения данных без изменения их содержимого. Claude Code CX Codex Cursor +1 2 400установок huggingface-gradio huggingface Скилл помогает создавать и редактировать веб-интерфейсы на Gradio в Python. Он пригодится при сборке демоверсий моделей, настройке макетов и чат-ботов. Claude Code CX Codex Cursor +1 2 300установок huggingface-papers huggingface Разбирает статьи Hugging Face Papers и arXiv: вытаскивает ID, читает страницу в markdown и достаёт авторов, модели и датасеты через papers API. Claude Code CX Codex Cursor +1 2 200установок huggingface-llm-trainer huggingface Помогает запускать дообучение языковых моделей в Hugging Face Jobs через TRL или Unsloth без локальной видеокарты и конвертировать веса в формат GGUF. Claude Code CX Codex Cursor +1 2 200установок huggingface-trackio huggingface Скилл учит агента логировать метрики обучения ML через Trackio, отслеживать расхождения лосса и выгружать результаты через CLI. Пригодится для автономного перезапуска экспериментов. Claude Code CX Codex Cursor +1 1 900установок huggingface-local-models huggingface Находит на Hugging Face GGUF-репозиторий, подбирает квант под вашу память и поднимает модель через llama.cpp — с OpenAI-совместимым эндпоинтом, если нужен сервер. Claude Code CX Codex Cursor +1 1 900установок huggingface-paper-publisher huggingface Ведёт статью по Hugging Face Hub: индексирует её по arXiv ID, привязывает к карточкам моделей и датасетов, помогает подтвердить авторство и собрать черновик. Claude Code CX Codex Cursor +1 1 700установок huggingface-tool-builder huggingface Скилл для создания переиспользуемых скриптов, которые работают с Hugging Face API. Пригодится, если нужно автоматизировать поиск моделей, обогащать данные или объединять несколько API-запросов в одну цепочку. Claude Code CX Codex Cursor +1 1 600установок

Похожие

ask Yeachan-Heo Скилл для маршрутизации промптов через локальные CLI разных моделей (Claude, Codex, Gemini, Cursor и других) с сохранением результатов как артефактов. Claude Code CX Codex Cursor +1 710установок game-ai gamedev-skills Помогает проектировать логику врагов и NPC: конечные автоматы, деревья поведения, алгоритмы руления и поиск пути A*. Пригодится при сборке поведения ботов для любого движка. Claude Code CX Codex Cursor +1 7 100установок minimax-music-playlist MiniMax-AI Скилл анализирует вашу историю прослушивания музыки из Apple Music или Spotify, строит профиль вкуса и генерирует персональный плейлист с обложкой. Работает на Claude Code, Codex, Cursor и других платформах. Claude Code CX Codex Cursor +1 1 400установок tamarind K-Dense-AI Запускает инструменты структурной биологии и молекулярного дизайна через REST API или MCP-сервер Tamarind Bio. Пригодится для облачных задач без локальных GPU. Claude Code CX Codex Cursor +1 1 100установок gmgn-portfolio GMGNAI Скилл анализирует крипто-кошельки по адресу через API GMGN: показывает холдинги, реализованный и нереализованный P&L, win rate, историю сделок и токены, которые создал разработчик. Работает на Solana, BSC, Base и Ethereum. Claude Code CX Codex Cursor +1 17 500установок gke-ai-troubleshooting-tpu-performance-degradation официальный google Скилл разбирает падение пропускной способности обучения на Cloud TPU в GKE и помогает отделить аппаратные и сетевые причины от нехватки ресурсов. Подойдёт, когда задания продолжают работать, но шаги замедлились. Claude Code Gemini CLI CX Codex 691установок skill-creator официальный anthropics Помогает создать новый скилл, доработать существующий и проверить результат через тестовые промпты и оценки. Claude Code Claude.ai 414 180установок writing-for-agents Matt Pocock Помогает писать скиллы и документы с инструкциями для агентов. Пригодится при правках AGENTS.md, CLAUDE.md и связанных справочных файлов. Claude Code 466 719установок

Вопросы о huggingface-community-evals

Как установить huggingface-community-evals в Claude Code?

Выполните npx skills add huggingface/skills --skill huggingface-community-evals -a claude-code. Скилл появится в ~/.claude/skills/huggingface-community-evals/SKILL.md.

Что делает huggingface-community-evals?

Запускает оценки моделей Hugging Face Hub на локальном железе через inspect-ai и lighteval. Помогает выбрать бэкенд (vllm, Transformers, accelerate) и провести смоук-тест перед полным прогоном.

Когда стоит передать задачу скиллу hugging-face-jobs?

Когда нужен удалённый запуск на Hugging Face Jobs, подбор удалённого железа или модель больше 13B, для которой локального GPU недостаточно. Скилл передаёт скрипт и аргументы, не оркестрируя джобы сам.

Исходный текст

SKILL.md · Apache-2.0
---
name: huggingface-community-evals
description: Run evaluations for Hugging Face Hub models using inspect-ai and lighteval on local hardware. Use for backend selection, local GPU evals, and choosing between vLLM / Transformers / accelerate. Not for HF Jobs orchestration, model-card PRs, .eval_results publication, or community-evals automation.
---

# Overview

This skill is for **running evaluations against models on the Hugging Face Hub on local hardware**.

It covers:
- `inspect-ai` with local inference
- `lighteval` with local inference
- choosing between `vllm`, Hugging Face Transformers, and `accelerate`
- smoke tests, task selection, and backend fallback strategy

It does **not** cover:
- Hugging Face Jobs orchestration
- model-card or `model-index` edits
- README table extraction
- Artificial Analysis imports
- `.eval_results` generation or publishing
- PR creation or community-evals automation

If the user wants to **run the same eval remotely on Hugging Face Jobs**, hand off to the `hugging-face-jobs` skill and pass it one of the local scripts in this skill.

If the user wants to **publish results into the community evals workflow**, stop after generating the evaluation run and hand off that publishing step to `~/code/community-evals`.

> All paths below are relative to the directory containing this `SKILL.md`.

# When To Use Which Script

| Use case | Script |
|---|---|
| Local `inspect-ai` eval on a Hub model via inference providers | `scripts/inspect_eval_uv.py` |
| Local GPU eval with `inspect-ai` using `vllm` or Transformers | `scripts/inspect_vllm_uv.py` |
| Local GPU eval with `lighteval` using `vllm` or `accelerate` | `scripts/lighteval_vllm_uv.py` |
| Extra command patterns | `examples/USAGE_EXAMPLES.md` |

# Prerequisites

- Prefer `uv run` for local execution.
- Set `HF_TOKEN` for gated/private models.
- For local GPU runs, verify GPU access before starting:

```bash
uv --version
printenv HF_TOKEN >/dev/null
nvidia-smi
```

If `nvidia-smi` is unavailable, either:
- use `scripts/inspect_eval_uv.py` for lighter provider-backed evaluation, or
- hand off to the `hugging-face-jobs` skill if the user wants remote compute.

# Core Workflow

1. Choose the evaluation framework.
   - Use `inspect-ai` when you want explicit task control and inspect-native flows.
   - Use `lighteval` when the benchmark is naturally expressed as a lighteval task string, especially leaderboard-style tasks.
2. Choose the inference backend.
   - Prefer `vllm` for throughput on supported architectures.
   - Use Hugging Face Transformers (`--backend hf`) or `accelerate` as compatibility fallbacks.
3. Start with a smoke test.
   - `inspect-ai`: add `--limit 10` or similar.
   - `lighteval`: add `--max-samples 10`.
4. Scale up only after the smoke test passes.
5. If the user wants remote execution, hand off to `hugging-face-jobs` with the same script + args.

# Quick Start

## Option A: inspect-ai with local inference providers path

Best when the model is already supported by Hugging Face Inference Providers and you want the lowest local setup overhead.

```bash
uv run scripts/inspect_eval_uv.py \
  --model meta-llama/Llama-3.2-1B \
  --task mmlu \
  --limit 20
```

Use this path when:
- you want a quick local smoke test
- you do not need direct GPU control
- the task already exists in `inspect-evals`

## Option B: inspect-ai on Local GPU

Best when you need to load the Hub model directly, use `vllm`, or fall back to Transformers for unsupported architectures.

Local GPU:

```bash
uv run scripts/inspect_vllm_uv.py \
  --model meta-llama/Llama-3.2-1B \
  --task gsm8k \
  --limit 20
```

Transformers fallback:

```bash
uv run scripts/inspect_vllm_uv.py \
  --model microsoft/phi-2 \
  --task mmlu \
  --backend hf \
  --trust-remote-code \
  --limit 20
```

## Option C: lighteval on Local GPU

Best when the task is naturally expressed as a `lighteval` task string, especially Open LLM Leaderboard style benchmarks.

Local GPU:

```bash
uv run scripts/lighteval_vllm_uv.py \
  --model meta-llama/Llama-3.2-3B-Instruct \
  --tasks "leaderboard|mmlu|5,leaderboard|gsm8k|5" \
  --max-samples 20 \
  --use-chat-template
```

`accelerate` fallback:

```bash
uv run scripts/lighteval_vllm_uv.py \
  --model microsoft/phi-2 \
  --tasks "leaderboard|mmlu|5" \
  --backend accelerate \
  --trust-remote-code \
  --max-samples 20
```

# Remote Execution Boundary

This skill intentionally stops at **local execution and backend selection**.

If the user wants to:
- run these scripts on Hugging Face Jobs
- pick remote hardware
- pass secrets to remote jobs
- schedule recurring runs
- inspect / cancel / monitor jobs

then switch to the **`hugging-face-jobs`** skill and pass it one of these scripts plus the chosen arguments.

# Task Selection

`inspect-ai` examples:
- `mmlu`
- `gsm8k`
- `hellaswag`
- `arc_challenge`
- `truthfulqa`
- `winogrande`
- `humaneval`

`lighteval` task strings use `suite|task|num_fewshot`:
- `leaderboard|mmlu|5`
- `leaderboard|gsm8k|5`
- `leaderboard|arc_challenge|25`
- `lighteval|hellaswag|0`

Multiple `lighteval` tasks can be comma-separated in `--tasks`.

# Backend Selection

- Prefer `inspect_vllm_uv.py --backend vllm` for fast GPU inference on supported architectures.
- Use `inspect_vllm_uv.py --backend hf` when `vllm` does not support the model.
- Prefer `lighteval_vllm_uv.py --backend vllm` for throughput on supported models.
- Use `lighteval_vllm_uv.py --backend accelerate` as the compatibility fallback.
- Use `inspect_eval_uv.py` when Inference Providers already cover the model and you do not need direct GPU control.

# Hardware Guidance

| Model size | Suggested local hardware |
|---|---|
| `< 3B` | consumer GPU / Apple Silicon / small dev GPU |
| `3B - 13B` | stronger local GPU |
| `13B+` | high-memory local GPU or hand off to `hugging-face-jobs` |

For smoke tests, prefer cheaper local runs plus `--limit` or `--max-samples`.

# Troubleshooting

- CUDA or vLLM OOM:
  - reduce `--batch-size`
  - reduce `--gpu-memory-utilization`
  - switch to a smaller model for the smoke test
  - if necessary, hand off to `hugging-face-jobs`
- Model unsupported by `vllm`:
  - switch to `--backend hf` for `inspect-ai`
  - switch to `--backend accelerate` for `lighteval`
- Gated/private repo access fails:
  - verify `HF_TOKEN`
- Custom model code required:
  - add `--trust-remote-code`

# Examples

See:
- `examples/USAGE_EXAMPLES.md` for local command patterns
- `scripts/inspect_eval_uv.py`
- `scripts/inspect_vllm_uv.py`
- `scripts/lighteval_vllm_uv.py`

© huggingface · Apache-2.0 · huggingface/skills

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой