机器学习

比较固定标签与 NLI 零样本分类，使用 BART-MNLI 传入候选标签，核对单标签、多标签分数和标签变更的影响。

保存中文到英文 OPUS-MT 模型与分词器，用 UTF-8 模式从本地逐句翻译，断网复跑并核对日期、术语和否定关系。

本地调用英文 DistilBART，按模型前缀和窗口核对输入 token 数，再生成摘要并回查主体、数字、日期和否定条件。

使用英文 BERT NER 提取人名、机构和地点，导出 CSV 与字符位置，并检查漏检、分词聚合和领域限制。

用英文 DistilBERT 抽取式问答返回原文片段、分数和起止位置，核对有答案与无答案样本，识别长文和拒答限制。

解释智能体数据集的输入、工具环境和验收规则，并给出 JSONL 样例与逐行结构校验。

把智能体测试拆成最终答案、工具选择和参数三层检查，按失败类别保存可复跑评估记录。

用训练实际 tokenizer 统计样本 Token 总量、长度分位数和超限数，并在截断前抽样解码核对。

用 Digits 数据演示按标签分层锁定测试集，保留原始编号并把错分样本回查到图像。

把 ChatGPT 辅助生成的回归代码放到固定测试集上，与均值基线比较 MAE、RMSE 和 R²。