用于准备和检查实验运行证据的 Skill。指导如何设计 stdout 指标、使用 orx logs 读取持久化结果，并验证基于运行的声明，确保在分析或报告前日志包含完整证据。
UnifiedBenchDatasetEvaluator算子，用于在基准数据集上评估模型回答。支持6种评估类型，生成评分并输出结果列，可配置LLM语义判断及多种输入键映射。
用于通过 Superior Trade Unified API 进行 Lighter 市场发现、Nautilus 回测、部署及执行交易。涵盖账户就绪检查、安全规则及与 Robinhood Chain 变体的区分，确保合规操作。
用于在 LangSmith 中迭代创建在线评估器。通过检查追踪数据、访谈用户确定评估标准，并构建 LLM-as-judge 或代码型评估器，实现 AI 应用质量的自动化验证与监控。
指导如何编写 Skillgrade 的确定性评分器和 LLM 评分规则。涵盖策略选择、脚本编写、YAML 配置、权重组合及验证方法，用于构建评估打分体系。
用于上传测试和基本数据检查的最小技能。通过检查数据源模式、运行只读SQL查询或预览表，并以通俗语言总结结果，验证数据可用性。
用于审计已构建的财务模型，检查公式准确性、数据完整性及逻辑合理性。通过重新计算和核对检查表，生成可执行的问题日志报告，不修改原文件。
用于为注册视频模型批量生成评测视频。支持文本条件及相机/动作模型，按类型筛选用例（如导航案例），提供单例冒烟测试、后台断点续跑及输出验证流程，确保多轮对话视频正确合并与格式合规。
用于在人工审批前对记录、数据集或GMP文档执行ALCOA+数据完整性检查。通过DEGRADED或FULL模式运行确定性Lint工具，输出硬性/软性发现及人工判断清单，绝不自动判定合规，确保事实准确且无臆造。
用于在发布前对PII模型进行基准测试，通过合成数据评估精确跨度召回率和字符召回率，确保满足隐私召回阈值要求。
用于每日校准分类准确率，通过对比历史决策与实际结果，计算准确率及误判率，识别系统性偏差并建议调整信号权重或阈值，以优化后续分类效果。
用于维护TulingResearch Plus文献综述工作流，涵盖策略管理、筛选、证据矩阵构建、差距提取及干跑导出。确保相关模块、测试和文档符合发布标准。
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。
用于规划、顺序执行并分析系列训练实验。通过解析日志提取指标，检测异常，对比不同超参数配置下的运行结果，提供性能评估与后续优化建议。
