Évaluation LLM AEON Bench

Ce que cela fait

Cette compétence fournit le schéma opérationnel pour exécuter des évaluations LLM vérifiées à l'aide d'AEON Bench Pod. Elle permet à un agent de déployer un appareil de benchmarking local, de vérifier les poids du modèle par rapport à Hugging Face, d'exécuter une suite complète (texte, agentique, vision, audio, vidéo et performance), et de soumettre des résultats attestés au classement public.

Quand l'utiliser

Utilisez cette compétence lorsqu'on vous demande de benchmarker, de noter ou d'évaluer les performances d'un LLM. C'est le chemin principal pour générer des résultats « attestés » qui se classent sur le leaderboard AEON, dépassant les simples tests de fumée pour passer à une évaluation vérifiée à pleine échelle.

Ce qui est inclus

• Scripts : Intégration avec aeon_pod_mcp.py pour le contrôle d'agent sans tête.
• Instructions : Guide étape par étape sur le déploiement du Pod, la vérification du hash du modèle, l'application de recettes (recettes championnes) et la surveillance des tâches.
• Règles d'or : Exigences strictes pour des exécutions complètes et la vérification des poids afin de garantir l'intégrité des résultats.

Agents compatibles

Tout agent IA capable d'exécuter des commandes shell (Docker) et d'utiliser des outils MCP.