Parameter-efficient fine-tuning for LLMs using LoRA, QLoRA, and 25+ methods. Use when fine-tuning large models (7B-70B) with limited GPU memory, when you need to train <1% of parameters with minimal accuracy loss, or for multi-adapter serving. HuggingFace's official library integrated with transformers ecosystem.
Оригинален текст · няма потвърден превод на българскиПлатформи: Не са посочениНиво: Не е посоченоВ индекса: 20.09.2026 г.Обновен в GitHub: 16.06.2026 г.
Open-source AI observability platform for LLM tracing, evaluation, and monitoring. Use when debugging LLM applications with detailed traces, running evaluations on datasets, or monitoring production AI systems with real-time insights.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Managed vector database for production AI applications. Fully managed, auto-scaling, with hybrid search (dense + sparse), metadata filtering, and namespaces. Low latency (<100ms p95). Use for production RAG, recommendation systems, or semantic search at scale. Best for serverless, managed infrastructure.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Adds PyTorch FSDP2 (fully_shard) to training scripts with correct init, sharding, mixed precision/offload config, and distributed checkpointing. Use when models exceed single-GPU memory or when you need DTensor-based sharding with DeviceMesh.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Provides guidance for performing causal interventions on PyTorch models using pyvene's declarative intervention framework. Use when conducting causal tracing, activation patching, interchange intervention training, or testing causal hypotheses about model behavior.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
High-performance vector similarity search engine for RAG and semantic search. Use when building production RAG systems requiring fast nearest neighbor search, hybrid search with filtering, or scalable vector storage with Rust-powered performance.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Scalable data processing for ML workloads. Streaming execution across CPU/GPU, supports Parquet/CSV/JSON/images. Integrates with Ray Train, PyTorch, TensorFlow. Scales from single machine to 100s of nodes. Use for batch inference, data preprocessing, multi-modal data loading, or distributed ETL pipelines.
Оригинален текст · няма потвърден превод на българскиПлатформи: Не са посочениНиво: Не е посоченоВ индекса: 20.09.2026 г.Обновен в GitHub: 16.06.2026 г.
Distributed training orchestration across clusters. Scales PyTorch/TensorFlow/HuggingFace from laptop to 1000s of nodes. Built-in hyperparameter tuning with Ray Tune, fault tolerance, elastic scaling. Use when training massive models across multiple machines or running distributed hyperparameter sweeps.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Foundation model for image segmentation with zero-shot transfer. Use when you need to segment any object in images using points, boxes, or masks as prompts, or automatically generate all object masks in an image.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Framework for state-of-the-art sentence, text, and image embeddings. Provides 5000+ pre-trained models for semantic similarity, clustering, and retrieval. Supports multilingual, domain-specific, and multimodal models. Use for generating embeddings for RAG, semantic search, or similarity tasks. Best for production embedding generation.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Language-independent tokenizer treating text as raw Unicode. Supports BPE and Unigram algorithms. Fast (50k sentences/sec), lightweight (6MB memory), deterministic vocabulary. Used by T5, ALBERT, XLNet, mBART. Train on raw text without pre-tokenization. Use when you need multilingual support, CJK languages, or reproducible tokenization.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: СредноВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Serves LLMs with high throughput using vLLM's PagedAttention and continuous batching. Use when deploying production LLM APIs, optimizing inference latency/throughput, or serving models with limited GPU memory. Supports OpenAI-compatible endpoints, quantization (GPTQ/AWQ/FP8), and tensor parallelism.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Simple Preference Optimization for LLM alignment. Reference-free alternative to DPO with better performance (+6.4 points on AlpacaEval 2.0). No reference model needed, more efficient than DPO. Use for preference alignment when want simpler, faster training than DPO/PPO.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Provides guidance for LLM post-training with RL using slime, a Megatron+SGLang framework. Use when training GLM models, implementing custom data generation workflows, or needing tight Megatron-LM integration for RL scaling.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Accelerate LLM inference using speculative decoding, Medusa multiple heads, and lookahead decoding techniques. Use when optimizing inference speed (1.5-3.6× speedup), reducing latency for real-time applications, or deploying models with limited compute. Covers draft models, tree-based attention, Jacobi iteration, parallel token generation, and production deployment strategies.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
State-of-the-art text-to-image generation with Stable Diffusion models via HuggingFace Diffusers. Use when generating images from text prompts, performing image-to-image translation, inpainting, or building custom diffusion pipelines.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Optimizes LLM inference with NVIDIA TensorRT for maximum throughput and lowest latency. Use for production deployment on NVIDIA GPUs (A100/H100), when you need 10-100x faster inference than PyTorch, or for serving models with quantization (FP8/INT4), in-flight batching, and multi-GPU scaling.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: СредноВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Provides guidance for PyTorch-native agentic RL using torchforge, Meta's library separating infra from algorithms. Use when you want clean RL abstractions, easy algorithm experimentation, or scalable training with Monarch and TorchTitan.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Provides guidance for mechanistic interpretability research using TransformerLens to inspect and manipulate transformer internals via HookPoints and activation caching. Use when reverse-engineering model algorithms, studying attention patterns, or performing activation patching experiments.
Оригинален текст · няма потвърден превод на българскиПлатформи: Не са посочениНиво: Не е посоченоВ индекса: 20.09.2026 г.Обновен в GitHub: 16.06.2026 г.
Provides guidance for training LLMs with reinforcement learning using verl (Volcano Engine RL). Use when implementing RLHF, GRPO, PPO, or other RL algorithms for LLM post-training at scale with flexible infrastructure backends.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Track ML experiments with automatic logging, visualize training in real-time, optimize hyperparameters with sweeps, and manage model registry with W&B - collaborative MLOps platform
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
OpenAI's general-purpose speech recognition model. Supports 99 languages, transcription, translation to English, and language identification. Six model sizes from tiny (39M params) to large (1550M params). Use for speech-to-text, podcast transcription, or multilingual audio processing. Best for robust, multilingual ASR.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 16.06.2026 г.
Оригинален текст · няма потвърден превод на българскиПлатформи: Не са посочениНиво: Не е посоченоВ индекса: 20.09.2026 г.Обновен в GitHub: 12.07.2026 г.
Access AlphaFold 200M+ AI-predicted protein structures. Retrieve structures by UniProt ID, download PDB/mmCIF files, analyze confidence metrics (pLDDT, PAE), for drug discovery and structural biology.
Оригинален текст · няма потвърден превод на българскиПлатформи: ClaudeНиво: НапредналоВ индекса: 04.03.2026 г.Обновен в GitHub: 03.03.2026 г.
Какво означават данните.
Пазя съществуващия каталог и добавям намерени SKILL.md файлове след прочит на метаданните. Наличният индекс остава използваем, когато проверката е частична.
Платформата и нивото описват записаното в източника. Те не са гаранция за съвместимост. Български текст се показва само когато в каталога има отделен превод; иначе виждате оригинала с означен език.
Общите звезди показват натрупана популярност. За „Набират интерес“ се сравнява измереният темп при достатъчен интервал. ≥ означава непълна извадка. Под един час не изчислявам дневен темп; методът и изминалият период се показват до записа.
Проверете файла, лиценза и нужния достъп преди употреба. Нито каталогът, нито четенето на SKILL.md изпълняват външни инструкции.