用于准备和检查实验运行证据的技能。通过设计 stdout 指标与摘要，使用 orx logs 读取持久化结果，并在报告前验证日志完整性与有效性，确保实验结论有据可依。
UnifiedBenchDatasetEvaluator算子参考文档，支持6种评估类型对模型答案打分并输出结果。用于在基准数据集上评估模型回答质量，支持多种输入键配置及LLM语义判断。
用于生成涵盖Excel各类内容类型的压力测试工作簿，以测量解析器完整性和进行回归测试。支持确定性地构建包含公式、图表、表格等特征的测试文件及清单。
用于通过 Superior Trade Unified API 进行 Lighter 市场发现、Nautilus 回测、部署及执行操作。涵盖账户就绪检查、安全规则及参考文档加载，确保合规交易与资金安全。
用于编写 Skillgrade 评估的评分器，支持确定性验证和 LLM 规则评分。涵盖策略选择、脚本编写、权重配置及结果验证流程，不适用于管道搭建或通用测试。
用于执行简单的上传测试或基础数据检查。通过调用 inspect_schema 和 run_sql_readonly 进行只读查询，并以简洁语言总结结果，适用于验证数据源可用性。
用于对模型视频进行22项指标、5个维度的自动化评测。涵盖预计算、GPU指标、VLM API指标及报告生成，支持增量运行与单视频调试，输出详细评估结果。
用于在提交EHR前验证FHIR R4资源与US Core/USCDI规范的合规性。通过HL7官方工具检查meta.profile声明、must-support元素及常见数据缺口，将结果转为OperationOutcome，确保符合Epic/Cerner等系统要求。
用于定期审查分类决策准确性，计算准确率及误报/漏报率，识别系统性偏差并建议调整信号权重或阈值，以优化分类效果。
维护TulingResearch Plus语义图工作流，包括论文、引用、推荐和作者网络工具。使用假适配器测试，无需API密钥，确保合同、模块和测试的正确性。
为新增的SSIM测试生成并上传参考数据。在Modal L40S上运行测试以获取像素或潜变量文件，经用户验证后上传至HF数据集，解决因缺少引用导致的测试失败问题。
用于对牛市看跌价差策略进行历史回测，对比含信号与无信号版本的表现。返回权益曲线、关键绩效指标及交易明细，评估策略在特定标的上的Alpha生成能力。
