C✳CODEZ.WIN
🌐 Deutsch

Lokalisierter Leseleitfaden

huggingface-bestZweck, Verwendung und Quelle

Verwenden Sie diese Funktion, wenn der Nutzer nach dem besten, Top- oder empfohlenen Modell für eine Aufgabe fragt, wissen möchte, welches KI-Modell er verwenden soll, oder Modelle anhand von Benchmark-Ergebnissen vergleichen möchte. Auslöser sind: „Bestes Modell für X“, „Welches Modell sollte ich verwenden für“, „Top-Modelle für [Aufgabe]“, „Welches Modell läuft auf meinem System?“laptop/machine/device„Empfehlen Sie ein Modell für …“, „Welches LLM sollte ich verwenden für …“, „Modellvergleich für …“, „Was ist der aktuelle Stand der Technik für …?“ oder jede andere Frage zur Auswahl eines KI-Modells für einen bestimmten Anwendungsfall. Nutzen Sie diese Funktion immer, wenn der Nutzer Modellempfehlungen oder -vergleiche wünscht, selbst wenn er HuggingFace oder Benchmarks nicht explizit erwähnt.

Quelle abgerufen:

Quell-Repository
huggingface/skills
SKILL.md
skills/huggingface-best/SKILL.md
Repository-Sterne
11,241
Repository zuletzt aktualisiert
2026-10-30
Fähigkeitskategorien
Sonstige
Letzte Datenerfassung

Lizenz: Apache-2.0

Original SKILL.md

Die Workflow-Auszüge dienen als Lesehilfe und sind keine ausführbaren Anweisungen von Codez. Für die Erstellung dieser Seite wurde keine Drittanbieter-Skill verwendet.

Die folgenden Abschnitte zu Zweck und Arbeitsablauf sind vorgelagertes Material, das zur besseren Lesbarkeit aufbereitet und übersetzt wurde. Sie unterscheiden sich von der separat gekennzeichneten redaktionellen Analyse von Codez.

Was diese Fähigkeit bewirkt

Verwenden Sie diese Funktion, wenn der Nutzer nach dem besten, Top- oder empfohlenen Modell für eine Aufgabe fragt, wissen möchte, welches KI-Modell er verwenden soll, oder Modelle anhand von Benchmark-Ergebnissen vergleichen möchte. Auslöser sind: „Bestes Modell für X“, „Welches Modell sollte ich verwenden für“, „Top-Modelle für [Aufgabe]“, „Welches Modell läuft auf meinem System?“laptop/machine/device„Empfehlen Sie ein Modell für …“, „Welches LLM sollte ich verwenden für …“, „Modellvergleich für …“, „Was ist der aktuelle Stand der Technik für …?“ oder jede andere Frage zur Auswahl eines KI-Modells für einen bestimmten Anwendungsfall. Nutzen Sie diese Funktion immer, wenn der Nutzer Modellempfehlungen oder -vergleiche wünscht, selbst wenn er HuggingFace oder Benchmarks nicht explizit erwähnt.

Wie der vorgelagerte Workflow funktioniert

Schritt1: Die Anfrage analysieren

Auszug aus der Nachricht des Nutzers: Aufgabe: Was soll das Modell leisten (Codierung,math/reasoningChat, OCR,RAG/retrieval(Spracherkennung, Bildklassifizierung, multimodale Verfahren, Agenten usw.) Gerät: Hardwarebeschränkungen (MacBook M-Serie)8/16/32/64GBeinheitlicher Speicher, RTX-GPU mit VRAM-Menge, nur CPU,cloud/noFalls keine Geräteangabe erfolgt, wird die Filterung übersprungen und die leistungsstärksten Modelle unabhängig von ihrer Größe zurückgegeben. Bei unklarer Aufgabenstellung wird eine klärende Frage gestellt.

Aufwärtspassage · L22 ↗

Schritt2Relevante Benchmark-Datensätze finden

Rufen Sie die vollständige Liste der offiziellen HF-Benchmarks ab: Lesen Sie die zurückgegebene Liste und wählen Sie die für die Aufgabe des Benutzers relevantesten Datensätze aus – gleichen Sie Datensatz-ID, Tags und Beschreibung ab. Nutzen Sie Ihr Urteilsvermögen; beschränken Sie sich nicht auf2-3. Streben Sie eine umfassende Berichterstattung an: wenn5Die Benchmarks decken die Aufgabe eindeutig ab, nutzen Sie alle5Die

Aufwärtspassage · L41 ↗

Schritt3: Die Top-Models aus den Ranglisten abrufen

Für jeden ausgewählten Benchmark-Datensatz: Sammeln Sie Modell-IDs und Punktzahlen über alle Benchmarks hinweg. Wenn eine Rangliste einen Fehler zurückgibt (404,401usw.), überspringen und in der Ausgabe vermerken.

Aufwärtspassage · L54 ↗
Aufwärtspassage · bash ↗
curl -s -H "Authorization: Bearer $(cat ~/.cache/huggingface/token)" \
  "https://huggingface.co/api/datasets?filter=benchmark:official&limit=500" | jq '[.[] | {id, tags, description}]'

Anforderungen und Einrichtung

Aus dieser Datei wurde kein Abschnitt mit kurzen Anforderungen ausgewählt. Dies bedeutet nicht, dass die Fertigkeit keine Abhängigkeiten hat. Überprüfen Sie die Anweisungen zur Repository-Einrichtung und die referenzierten Dateien.

Grenzwerte und Qualitätskontrollen

Aus dieser Datei wurde kein separater Grenzwertabschnitt ausgewählt. Dies bedeutet nicht, dass die Anwendung für jede Eingabe oder Umgebung geeignet ist. Überprüfen Sie den vollständigen Quellcode und validieren Sie Ihr Ergebnis selbst.

Beginnen Sie mit einem sicheren Testlauf

  1. Prüfen Sie den unterstützten Host und die Installationsanweisungen für das Repository. Halten Sie das Skill-Verzeichnis und die darin enthaltenen Skripte, Assets und Dokumentationen zusammen;SKILL.mdEine Einzelperson kann Abhängigkeiten außer Acht lassen.
  2. Geben Sie dem Agenten Ihre tatsächlichen Eingaben, die gewünschten Ausgaben und die Akzeptanzkriterien an. Aufrufsyntax und verfügbare Tools hängen vom Hostsystem ab; diese Website geht nicht von einem universellen Installationsbefehl aus.
  3. Testen Sie den Quellworkflow in einem temporären Projekt oder auf einer Kopie. Überprüfen Sie Vorgänge, die Dateien, Remote-Dienste oder abrechnungsfähige Ressourcen ändern, bevor Sie diese zulassen.
  4. Überprüfen Sie die Ausgabe anhand der Quellqualitätsprüfungen und Ihrer eigenen Anforderungen. Ein erfolgreicher Trigger oder eine hohe Anzahl von Sternen im Repository garantiert kein korrektes Ergebnis.

Spezifikation des Kompetenzformats und des Verzeichnisses ↗

Lesen Sie mehr dazu in der Quelle.

Übersetzung und Umfang

Dieser Leseleitfaden wählt Passagen aus dem markierten stromaufwärts gelegenen Abschnitt aus.SKILL.mdDie Übersetzung wurde unterstützt. Es handelt sich weder um ein vollständiges Handbuch noch um eine Garantie für geprüfte Kompatibilität. Lesen Sie vor der Verwendung das Original und die darin referenzierten Dateien.

Diese Einleitung bezieht sich auf die unten angepinnte Version; die aktuelle Repository-Aktivität und der Erfassungszeitpunkt werden separat angezeigt.

Angeheftete Quelle
Lesen Sie das Original ↗
Quelle abgerufen
Source-Commit
fabc634a893f62ad5c2039830397efa35fa62715
Quelle SHA-256
4566c02cb6da804dcc434b6b4d48a1895e937157cdaec4ec4c523a2f97cf16d0
Zurück zum vollständigen Kompetenzkatalog