llm-tuning-patterns
Über
Diese Fähigkeit bietet evidenzbasierte LLM-Konfigurationsmuster für verschiedene Aufgaben, speziell optimiert für Theorembeweis und formales Schließen. Sie umfasst Parameter-Einstellungen und Prompt-Vorlagen, die die Beweisgenerierung durch strukturierte Planung und paralleles Sampling verbessern. Entwickler sollten diese Fähigkeit nutzen, wenn sie an formaler Verifikation, mathematischem Schließen oder Aufgaben arbeiten, die strukturiertes logisches Denken mit LLMs erfordern.
Schnellinstallation
Claude Code
Empfohlennpx skills add parcadei/Continuous-Claude-v3 -a claude-code/plugin add https://github.com/parcadei/Continuous-Claude-v3git clone https://github.com/parcadei/Continuous-Claude-v3.git ~/.claude/skills/llm-tuning-patternsKopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren
GitHub Repository
Häufig gestellte Fragen
Was ist der Skill llm-tuning-patterns?
llm-tuning-patterns ist ein Claude Skill von parcadei. Skills bündeln Anweisungen und Ressourcen, die Claude bei Bedarf lädt, um Aufgaben rund um llm-tuning-patterns ohne zusätzliche Eingaben auszuführen.
Wie installiere ich llm-tuning-patterns?
Verwende die Installationsbefehle auf dieser Seite: Füge llm-tuning-patterns als Plugin zu Claude Code hinzu oder klone das Repository in dein Skills-Verzeichnis. Starte Claude danach neu, damit der Skill geladen wird.
Zu welcher Kategorie gehört llm-tuning-patterns?
llm-tuning-patterns gehört zur Kategorie Andere.
Kann ich llm-tuning-patterns kostenlos nutzen?
Ja. llm-tuning-patterns ist auf AIMCP gelistet und kann kostenlos installiert werden.
Verwandte Skills
Diese Claude Skill analysiert Sportwettenmärkte inklusive Handicaps, Over/Unders und Spezialwetten, indem sie historische Trends und situative Statistiken untersucht, um Wertwetten zu identifizieren. Sie liefert strukturierte Markdown-Ausgaben mit umsetzbaren Empfehlungen zu Bildungszwecken. Entwickler sollten dies für Sportwetten-Analysetools nutzen, wobei zu beachten ist, dass es nur zur Unterhaltung/Bildung konzipiert wurde.
LlamaGuard ist Metas 7-8B-Parameter-Modell zur Moderation von LLM-Eingaben und -Ausgaben in sechs Sicherheitskategorien wie Gewalt und Hassrede. Es bietet eine Genauigkeit von 94-95 % und kann mit vLLM, Hugging Face oder Amazon SageMaker eingesetzt werden. Nutzen Sie diese Skill, um Inhaltsfilterung und Sicherheitsguardrails einfach in Ihre KI-Anwendungen zu integrieren.
Diese Claude Skill unterstützt Entwickler bei der Optimierung von Cloud-Kosten durch Ressourcen-Dimensionierung, Tagging-Strategien und Ausgabenanalysen. Sie bietet einen Rahmen zur Senkung von Cloud-Ausgaben und zur Implementierung von Kosten-Governance für AWS, Azure und GCP. Nutzen Sie sie, wenn Sie Infrastrukturkosten analysieren, Ressourcen richtig dimensionieren oder Budgetvorgaben einhalten müssen.
Diese Fähigkeit quantisiert LLMs auf 8-Bit- oder 4-Bit-Präzision mittels bitsandbytes und erreicht dabei eine Speicherreduzierung von 50–75 % bei minimalem Genauigkeitsverlust. Sie ist ideal für den Betrieb größerer Modelle mit begrenztem GPU-Speicher oder zur Beschleunigung von Inferenzvorgängen und unterstützt Formate wie INT8, NF4 und FP4. Die Fähigkeit integriert sich in HuggingFace Transformers und ermöglicht QLoRA-Training sowie 8-Bit-Optimierer.