Python

用同一 CPU 小图比较关闭与基础图优化，核对节点减少、三个批次输出及保存副本，再记录五轮固定输入耗时，说明波动和跨硬件限制。

用 FastAPI lifespan 加载教学 ONNX 模型，仅监听本机 HTTP；实际验证正常分数、六类输入拒绝、输出溢出和缺模型启动失败。

解释 ONNX Runtime 如何按 EP 能力与优先级分配节点，区分可用列表、会话注册和实际节点记录，并用 CPU profiling 演示核对。

在工具实际 Python 环境诊断 CUDA 不可用，区分 CPU 安装包、驱动和设备可见性；提供同解释器检查与修复后的 GPU 张量验收步骤。

用可复算的中文切分规则计算 ROUGE-1 与 ROUGE-L，并以通过/失败数量颠倒和发布条件改变的反例说明局限。独立事实表检查支持、遗漏与新增，分数不代替摘要验收。

固定原文和人工参考，用 SacreBLEU 计算语料级 BLEU、chrF 并保存评分签名。以否定、时间错误及合理改写的人工候选，说明自动指标为何还需结合逐句事实与术语核对。

以实体清单和事件字段两个目标比较 spaCy、GLiNER 与 LangExtract。检查候选标签、关系与属性、原文定位和缺失字段，避免把宣布日期或可定位片段当成已核实事实。

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。

比较固定区间 cut 和分位数 qcut，核对边界值、每箱样本数、重复分位点与范围外数据，并将训练边界复用于新样本。

按表格操作、惰性查询与 SQL 汇总需求比较 pandas、Polars、DuckDB，用同一 AI 样本 CSV 核对筛选、缺失分组和汇总口径。