AI教程

用 PyTorch 保存 state_dict，在 CPU 重建模型并加载权重，检查固定输入的输出一致性，定位路径、参数键和形状冲突。

用 Evidently 比较参考与当前特征分布，生成 HTML 和 JSON 报告，同时检查缺失值，并解释列级漂移、整体告警与模型性能之间的区别。

用 GPT-2 单条续写设置 max_new_tokens，按输入 ID 长度提取新文本，并核对提前结束、采样开关与模型长度范围。

用 MLflow 记录两组训练的参数、验证指标、数据划分和模型文件，重新加载后比较预测，并解释本地实验记录与正式模型验收的边界。

处理长度不同的文本输入，按上限补齐与截断并核对 attention_mask；附实际分词长度、有效长度及特殊 token 的区别。

用现成英文分类 pipeline 分组推理，保存原始行号并核对输入输出条数；说明 CPU 批大小、超长截断与得分的解释边界。

用 Qwen2.5-Instruct 分词器把角色消息转换成聊天模型输入，核对 assistant 起点及两种分词路径，避免重复特殊 token。

用配套 fast tokenizer 打印 token、数字 ID 和原文字符位置，区分特殊 token、子词与解码结果；附可运行英文示例及实际分词核对。

用 Kimi 核对阅读题时逐项要求原句与编号，区分直接事实、有限推断和信息不足。附五句短文、六个判断与参考分析，重点检查因果和范围词。

以人工参考稿评估中文语音转写，使用 JiWER 4.0计算 CER、查看替换删除插入，统一标点与数字口径，并区分字符误差和关键事实错误。