夜雨聆风↑阅读之前记得关注+星标⭐️，😄，每天才能第一时间接收到更新
大家好，我是杰克王，AI 算法 6 年老兵。
去年底，一个名叫 NemoSkills 的团队在 Kaggle AIMO Progress Prize 2（AI 数学奥林匹克竞赛）中拿下第一名。
那道题很难。参赛者要让 AI 解答国际数学奥林匹克级别的难题，极限时间内用 Python 工具辅助推理，还要在 Kaggle 的封闭环境里提交代码跑分。
NemoSkills 的方法并不神秘：大规模 SFT + 工具集成推理微调 + 模型融合 + TensorRT-LLM/FP8 量化推理加速。
NemoSkills 是 NVIDIA 自己的比赛队。
NVIDIA 不只是造 GPU 的公司，他们自己也在打 Kaggle，打到拿冠军。然后把这一套自动化了，开源出来，叫 nvidia-kaggle。
这是一个什么东西
nvidia-kaggle 是一个 Agent Skills 插件，给 AI Agent（Claude Code、Codex 等）装上之后，Agent 就能完成端到端的 Kaggle 竞赛工作流——不只是写代码，而是真的能：
抓比赛概述、规则、评估指标、时间线 读排行榜顶端选手的 writeup，总结他们用了什么方法 搜索、浏览、阅读公开 Kernel 把别人的 Notebook 连同数据一起下到本地，直接可以跑 推送 Kernel 提交，自动轮询出分结果 上传、管理自己的 Kaggle 数据集
一个指令进去，一套竞赛流程出来。
数字先看一眼
| 指标 | 数据 |
|---|---|
| ⭐ Stars | 278（2026-08-05） |
| 🍴 Forks | 29 |
| 语言 | Python |
| 许可证 | MIT |
| 最近更新 | 2026-08-04 |
| 支持运行时 | Claude Code、Codex、其他支持 Agent Skills 的环境 |
刚开源不久，发展非常快。NVIDIA 官方维护，issue 和 PR 合并都很活跃。
装上之后能做什么，举三个真实场景
场景一：入场一个新比赛，5 分钟看懂规则
/nvidia-kaggle:nvidia-kaggle-skill Fetch the competition overview and dataset description for the ARC Prize 2025 competition.
出来的结果直接告诉你：
比赛类型（研究赛，100 万美元奖池） 目标（让 AI 高效学习新技能，解抽象推理任务） 评估指标（精确网格匹配，每道题 2 次提交机会） 数据文件列表（6 个 JSON 文件，6.91 MB） 提交格式（notebooks only，无网，最多 12 小时运行）
比你自己点开比赛页面慢慢看快得多，而且不漏细节。
场景二：读懂顶尖选手的套路
/nvidia-kaggle:nvidia-kaggle-skill Get the top 3 solution writeups from the AI Mathematical Olympiad - Progress Prize 2 competition and summarize the key strategies.
Agent 自动爬排行榜、打开各支队伍的讨论帖、总结出来：
1st NemoSkills (NVIDIA) — 大规模 SFT + 工具集成推理微调 + 模型融合 + TensorRT-LLM/FP8/ReDrafter
2nd imagination-research — SFT + DPO on DeepSeek-R1-14B + lmdeploy W4KV8 + 双路 CoT/Code 提示
3rd Aliev — 开箱即用 DeepSeek-R1-14B AWQ + 分支/复制/早停推理
关键策略：
工具集成推理（TIR）能显著提升多数投票准确率 DPO 让输出更短，相同时间预算内跑更多样本 量化 + 快速推理引擎 + 投机解码是性能瓶颈的关键 第 3 名什么都没微调，光靠推理设计就进了前三
这些洞察对你下一个比赛的策略设计直接有用。
场景三：直接复现别人的 Notebook
/nvidia-kaggle:nvidia-kaggle-skill Download and set up this notebook locally so I can run it: https://www.kaggle.com/code/cdeotte/titanic-wcg-xgboost-0-84688
Agent 帮你：
拉下 Notebook 文件 下载依赖的比赛数据集 建好本地目录结构（input/、working/） 生成 symlink 脚本 告诉你哪几个 Cell 因为引用私有数据跑不了
剩下的事就是 jupyter notebook 打开跑。
安装只要两行命令
Claude Code 用户：
claude plugin marketplace add https://github.com/NVIDIA/nvidia-kaggle.git
claude plugin install nvidia-kaggle@nvidia-kaggle --scope user
Codex 用户：
codex plugin marketplace add https://github.com/NVIDIA/nvidia-kaggle.git
然后在 Codex 会话里 /plugins 选 nvidia-kaggle 安装即可。
其他 Agent 运行时： 把 skills/nvidia-kaggle-skill 目录复制进去，里面有 SKILL.md、workflow 文件和 scripts/ 脚本，agent 能理解就能用。
Kaggle API 相关功能（提交、数据集操作等）需要设置 KAGGLE_API_TOKEN 环境变量，去 kaggle.com 账号设置里生成 API token 即可。
为什么这个插件值得关注
打 Kaggle 的痛点不是"我不会模型"，而是工程坑太多：
不知道从哪里入手一个新比赛，先读规则还是先看 Notebook？ Public Kernel 质量参差不齐，花两小时看了个没用的 好不容易找到一个高分 Notebook，跑起来缺数据、缺依赖 每天 5 次提交限额，不敢随便试，先得搞清楚值不值得 读完别人的 writeup 才发现人家用了个自己不知道的 trick
nvidia-kaggle 把这些繁琐的情报收集和工程准备工作打包给了 Agent。你的精力可以放在真正重要的部分：想模型、想策略、做实验。
更关键的是，NVIDIA 给了一个公开承诺：他们自己也在用这套流程打比赛，而且拿到了冠军。工具这种东西，没有比作者自己用得好更有说服力的背书了。
一个延伸思考
README 里链接了 NVIDIA 官方博客：《The Kaggle Grandmasters Playbook: 7 Battle-Tested Modeling Techniques for Tabular Data》。
里面说的那七个技术：更聪明的 EDA、多样 baseline、大规模特征工程、Hill Climbing 集成、Stacking、伪标签、多 seed 集成……每一条都配着 GPU 加速的实测数据。
NVIDIA 的逻辑很清楚：GPU 不是只用来训大模型，tabular 数据的经典 ML 也能靠 GPU 显著提速，让你在有限比赛时间里多跑几轮实验，而多跑实验本身就是拿好名次最重要的变量。
这套 Plugin + Grandmasters Playbook 放在一起看，才是 NVIDIA 想传递的完整信息：工具帮你节省工程时间，GPU 帮你加速实验迭代，剩下的事靠你自己的判断。
项目地址：https://github.com/NVIDIA/nvidia-kaggle[1]
值得 Star，值得装进你的 Claude Code 或 Codex 里试一试。
觉得有收获，点个在看支持一下 👇 感谢阅读。我是杰克王，欢迎加微交流 🚀
引用链接
[1]https://github.com/NVIDIA/nvidia-kaggle