AI教程

用 SpeechBrain 声纹模型比较两段获授权录音，以同人与异人对照核查分数和误判边界。

用 Label Studio 给获授权语音录音标记时间区域，导出 JSON 后核对时间与标签，再决定是否扩展为训练集。

GridSearchCV 与 RandomizedSearchCV 都可以为分类器选超参数，但“哪个更好”必须先对齐搜索预算与交叉验证。下面让二者都评估9个候选、每个候选做同样3折验证，再比较它们探索了哪些参数与得到的验证分数。

同一用户留有多条记录时，随机按行划成多折，会让同一用户同时出现在训练与验证。若目标是预测新用户，GroupKFold 可以让每一折的用户集合互不交叉，并让每位用户轮流进入验证折。下面同时输出折内分数和用户交集检查。

交叉验证中的泄漏常发生在划分之前：先用整张表计算缺失值的填补中位数，再把已经填好的数据送入交叉验证，验证折的信息已参与预处理。把 SimpleImputer 和分类器装进同一条 Pipeline，逐折拟合并核对中位数，才能检查这一步的边界。

OCR 已返回文字和矩形坐标后，双栏文章如果只按 y 坐标排序，会变成“左第一行、右第一行、左第二行、右第二行”。下面用六个虚构文字框重建“先左栏，再右栏”的阅读顺序，并列出需要人工复核的版面情况。

比较两版 AI 草稿时，只看最后一版容易遗漏被删掉的条件。先按句子切分旧稿与新稿，再输出逐句的保留、删除和新增位置，让编辑返回原文核对“为什么改”；本例专门发现一个金额条件从第二版消失。

ChatGPT 能辅助找错别字和病句，但纠错结果不能自动覆盖原稿中的金额、日期和名称。把原文、纠错指令和候选改稿分开保留：先让模型尽量只改语言，再用本地脚本逐项找出数字和专有名词的变化，最后人工看上下文。

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。

抽取式摘要从原文选句，能够减少凭空编造新事实，但仍可能漏掉关键数字或主体。下面用一个四句的虚构项目公告，按字符 TF-IDF 与全文相似度选两句，再把原文中的金额和日期作为待核对清单。