文本标注

用蕴涵、矛盾与信息不足句对说明语义相似度和 NLI 的区别。检查前提与陈述的方向、对象、时间和条件，再核对模型语言与标签，不用相似度分数代替事实依据。

采用 CheckList 的 MFT、INV、DIR 三类行为测试，用短评论与变换句检查基础功能、类别保持和得分方向。标准库脚本导出失败清单，演示得分明确为人工构造。

先固定错字和无错句的人工标准答案，再按句级统计改对、原样漏改、改动未达标准与无错句改动。可运行脚本导出六条演示报告，真实测评时替换为工具输出并保留版本。

以耳机音质、佩戴与客服评价为例，解释整句极性与方面情感的粒度差别。提供对象、方面、原文、态度和待复核字段，说明怎样避免关联错对象及混淆统计分母。

实体识别训练数据常把连续文本片段转成 B-ORG、I-ORG 等逐词标签。关键不是随意给词打标，而是先确认字符偏移与分词边界完全对齐：一个实体可跨多个词，冲突或半个词的片段必须退回修订。

用最小文本任务定位 Label Studio 的字段名、对象名、控件绑定和 URL 读取模式错误，逐项修正并验证。

使用 Label Studio 的 Labels 配置标注中文人名、地点与组织片段，通过原文切片核对起止位置和类别。

从 Label Studio 原始 JSON 提取单标签人工结果，保留来源编号，输出训练 CSV 和取消、多份标注等异常报告。

准备带来源编号的 CSV 文本任务，正确处理逗号、双引号和换行，用脚本核对三条样本后导入 Label Studio。

用 Label Studio 的多选配置标记一条反馈里的多个问题，说明标签互斥规则，并核对正式导出的完整标签集合。