# nemo-evaluator-sdk

Скилл запускает оценку языковых моделей на 100+ бенчмарках из 18+ харнессов: MMLU, HumanEval, GSM8K, safety и VLM. Пригодится, когда нужно сравнить модели воспроизводимо.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 943 установки · ★ 13956
- Автор: Orchestra Research
- Лицензия: MIT · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/Orchestra-Research/AI-Research-SKILLs/tree/HEAD/11-evaluation/nemo-evaluator/SKILL.md
- Обновлён: 2026-10-11
- HTML: https://affpapa.org/nevibecode/skills/nemo-evaluator-sdk

## Что делает

Скилл даёт агенту доступ к NeMo Evaluator SDK — платформе NVIDIA для бенчмаркинга LLM. Оценка идёт в контейнерах, поэтому результаты воспроизводимы, а запускать можно локально в Docker, на Slurm HPC или в облаке Lepton. Харнессов 18+, бенчмарков больше сотни: от академических MMLU и GSM8K до проверок безопасности и задач для vision-language моделей.

Работает через `nemo-evaluator-launcher`. Вы описываете конфиг в YAML: эндпоинт модели, список задач, параметры запуска. Дальше `nemo-evaluator-launcher run --config-dir . --config-name config` выполняет оценку, а `status`, `ls runs` и `info` показывают, что происходит с задачей. Результаты лежат в `results/<invocation_id>/<task>/artifacts/results.yml`, экспортировать их можно в MLflow, Weights & Biases или локальный JSON.

Заранее понадобится ключ `NGC_API_KEY` для эндпоинтов NVIDIA, а для части задач — `HF_TOKEN`. Без ключа оценка на облачном эндпоинте не стартует, так что это первое, что стоит проверить. Для self-hosted эндпоинтов вроде vLLM ключ не нужен — в конфиге оставляют пустое значение.

## Требования
- Работает с: Docker

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill nemo-evaluator-sdk -a claude-code
```
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill nemo-evaluator -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/nemo-evaluator/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/nemo-evaluator/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill nemo-evaluator -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/nemo-evaluator/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill nemo-evaluator -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/nemo-evaluator/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install Orchestra-Research/AI-Research-SKILLs nemo-evaluator
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/nemo-evaluator/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill nemo-evaluator -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/Orchestra-Research/AI-Research-SKILLs --path 11-evaluation/nemo-evaluator
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/nemo-evaluator/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill nemo-evaluator -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/Orchestra-Research/AI-Research-SKILLs/tree/HEAD/11-evaluation/nemo-evaluator/SKILL.md

## Когда брать
- прогнать модель по MMLU, GSM8K и IFEval за один запуск
- сравнить две модели на одинаковом наборе задач
- проверить модель на safety-бенчмарках вроде Aegis и WildGuard
- запустить оценку на Slurm-кластере с несколькими GPU
- выгрузить метрики в MLflow или Weights & Biases

## Примеры запросов агенту
- Настрой конфиг для оценки `meta/llama-3.1-8b-instruct` на задачах `ifeval` и `gsm8k_cot_instruct` и запусти прогон
- Сравни две модели на одних и тех же бенчмарках и выгрузи результаты в MLflow
- Запусти оценку на Slurm: 1 нода, 8 GPU на ноду, walltime 4 часа

## Похожие
- [nemo-automodel-distributed-training](https://affpapa.org/nevibecode/skills/nemo-automodel-distributed-training.md) — скилл · 2000 установок
- [nemo-automodel-recipe-development](https://affpapa.org/nevibecode/skills/nemo-automodel-recipe-development.md) — скилл · 1900 установок
- [llm-evaluation](https://affpapa.org/nevibecode/skills/llm-evaluation.md) — скилл · 12755 установок
- [ce-retune](https://affpapa.org/nevibecode/skills/ce-retune.md) — скилл · 620 установок
- [gpu-server-management](https://affpapa.org/nevibecode/skills/gpu-server-management.md) — скилл · 331 установка
- [langfuse](https://affpapa.org/nevibecode/skills/langfuse-langfuse.md) — скилл · 19800 установок

Из того же набора: [orchestra-research/ai-research-skills](https://affpapa.org/nevibecode/by/orchestra-research/ai-research-skills.md) — 66 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md