模型训练

用授权单人录音训练声音转换模型，检查保留内容和音色转换，同时核对输入与输出边界。

因果语言模型的训练目标，是用已有 Token 预测下一个 Token。核对因果语言模型输入、目标和忽略位置，避免重复移位。

保存 PPO 模型与环境元信息，重新载入后比较同一观察的动作。提供演示数据、核对方法和适用边界。

按再训练、本机应用联调、ORT 交付和直接聊天四种情境，选择 PyTorch、ONNX Runtime 与 FastAPI 的组合，核对格式、后端和接口责任。

按 messages JSONL 准备 DeepSeek 类聊天模型微调样例，校验角色、内容、重复项和模板化后的长度。

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 scikit-learn 学习曲线同时观察训练与验证 F1，区分欠拟合、过拟合和继续补数据的可能价值。

用 VotingClassifier 组合三个分类模型，手算多数票与平均概率并和 API 输出对照，说明编码、同票规则和概率质量要求。

用 VarianceThreshold 删除训练期常量列并保留字段名，检查新数据的字段变化、全常量失败路径及后续预测契约。

用 MultiOutputClassifier 训练三标签指示矩阵，核对目标列、逐标签概率与子集准确率，说明标签缺失和独立建模的限制。