Python

用 ast.parse 与 compile 做不执行候选代码的检查，保存语法错误位置，展示函数外 return 和运行时名称问题的区别。

用 Python 解析 SRT 并报告倒序、反向区间、空文本和全部重叠对，保留原文件与编号，再结合音视频核对转写与显示。

对比 NFC 与 NFKC 的字形和长度变化，实际检查编号碰撞与实体位置错位，保存原文和规范化版本，建立按字段验收边界。

通过原始字节定位 UnicodeDecodeError，区别编码不匹配、UTF-8 BOM 和坏字节，保留输入与诊断记录，避免 ignore 隐藏缺损。

用 OpenCC 纯 Python 实现对比 t2s 与 tw2sp，保存原文和转换配置，验证地区词汇差异、往返不可逆与实体位置风险。

用 Jinja2 将固定任务要求与事实变量分开，检查顶层和嵌套缺项，生成可保存的提示词，并说明格式遵守与真实性仍需核对。

scikit-learn 的交叉验证评分默认遵循“越大越好”。如果业务指标是误差或损失，直接把正的损失函数当评分器会把方向弄反。用 make_scorer(greater_is_better=False) 包装后，可以在交叉验证中核对返回的负分，并在报告时把符号转回正的业务损失。

MAPE 把每条回归误差除以对应真值的绝对值；真值接近零时，即使绝对误差只有1，也可能得到惊人的比例。scikit-learn 遇到零真值会返回很大的有限数，不是无穷大。下面用四条人工数据逐行计算，和 MAE 对照，找出“百分比误差暴涨”的来源。

表格模型验证前，要先查训练集和验证集有没有完全相同的特征行。重复行若来自同一原始记录的复制，验证分数可能偏乐观；同一特征行若对应不同标签，还要回查标注。下面用稳定的行指纹找出跨集合匹配，并保留两边编号供人工核实。

总体 MAE 可能掩盖某一类业务样本上的大误差。要回答“模型对哪些组更不准”，先在看误差之前定义分组，再分别报告样本数和 MAE。下面用人为构造的两个区域作教学例子，逐行保留样本编号并核对加权汇总。