Exploiter les Compétences des Agents pour Écrire des Noyaux CUDA avec Upskill

Hugging Face a introduit une méthode pour améliorer les performances des modèles d'IA plus petits sur des tâches complexes, comme l'écriture de noyaux CUDA, grâce à l'utilisation de compétences d'agent. Ce processus utilise le nouvel outil upskill, vous permettant de générer et d'évaluer des compétences d'agent avec de grands modèles, puis d'appliquer ces compétences à des modèles plus petits ou plus économiques.

Les compétences d'agent sont des formes empaquetées de connaissances qui peuvent être échangées entre modèles et outils, définies comme des fichiers contenant des instructions en markdown et des scripts. Elles s'avèrent particulièrement bénéfiques dans des domaines de niche ou des problèmes difficiles où les modèles pourraient ne pas exceller naturellement.

Étapes pour améliorer les compétences avec Claude et l'outil Upskill

1. Construction d'un noyau avec Claude Opus 4.5 : Le processus commence par utiliser Claude Code pour assembler interactivement un noyau et exporter la trace. Cela implique d'itérer des solutions avec des compétences en brouillon, permettant une amélioration continue via l'expérimentation avec des modèles plus petits.

2. Création d'une compétence d'agent à partir de la trace : Une fois le noyau construit, demandez à Claude de générer un fichier de compétence pour la tâche accomplie. Utiliser le 'créateur de compétences' d'Anthropic peut également faciliter ce processus, créant des compétences basées sur la trace d'activité de l'agent. upskill améliore l'utilité en fournissant également des cas de test pour évaluer la performance des compétences.

3. Application de la compétence à travers les modèles : Transférez la compétence nouvellement créée aux modèles souhaités en suivant les pratiques standards, où les compétences sont formatées comme des répertoires, par exemple {agent}/skills/{skill_name}/SKILL.md. Utilisez les commandes upskill eval pour exécuter des comparaisons de performance des modèles avec ces compétences, mettant en évidence les différences de précision et d'utilisation de tokens sur diverses plateformes comme codex ou cursor.

En fin de compte, les compétences peuvent aider à réduire la consommation de tokens tout en maintenant la précision, ce qui est crucial pour les tâches récurrentes sur différents modèles. Cependant, des variations d'efficacité suggèrent qu'un raffinement itératif des compétences peut être nécessaire.