AI教程

先确定你比较的是网页产品、云端 API 还是可下载模型；三者的账号、计费、许可和运行条件不同，不能用一个结论代替。

用同一份可公开核对的资料和同一条中文任务测试输出；只在产品说明确认的入口中比较，不把搜索结果或传闻当模型能力。

先把网页订阅和 API 调用分开记录；API 再按输入、输出、缓存与失败重试分别估算，避免拿一次聊天体验代替月度成本。

先用同一份任务卡分别完成中文改写、代码解释和资料整理，再按你最常做的任务、是否要接 API、团队已有工具决定。

从最小智谱文本请求理解模型编码、对话消息、鉴权和返回字段，附 Python 示例，并区分正常结束、截断和网络失败。

用验证集 PR 曲线在召回约束下选择分类阈值，再用独立测试集核对误报、漏报和复核量。给出完整代码及一次未达到目标的真实教学运行结果。

比较 PyTorch no_grad 和 inference_mode 的梯度与张量边界，用可运行示例检查推理特征能否接入可训练层，以及 eval 的独立作用。

用 skl2onnx 把含标准化的 sklearn 分类管道转为 ONNX，保留类别顺序，在同一输入上比较标签与概率，并排查预处理、类型和输出格式问题。

把本地 CSV 数值特征和类别标签转为 PyTorch Dataset，检查缺列、异常值与重复编号，并用 DataLoader 核对末批和样本数量。

生成一个两特征 ONNX 小模型，在 Netron 打开并核对输入输出、算子路径、权重与版本，说明模型图查看能证明什么，以及后续如何验证推理。