用途：在微调分类器前，审计来自众包、第三方或不可信标注应用的训练集，发现错标样本，避免错误标签静默污染模型。不适用于标签已有可信审计流程、任务为生成/排序/奖励建模，或完全没有标签的场景。
主要能力：运行四种互补审计。一，溯源与完整性检查（免费，优先执行），检测空值、枚举外标签、重复内容但标签冲突、类别内容长度指纹等结构性问题。二，Cleanlab置信学习，用k折交叉验证得到样本外预测概率，再通过 find_label_issues 标记模型自信反对的标签。三，高损失监控，在微调时记录逐样本损失，高损失样本构成人工复核清单。四，对Cleanlab标记的子集（约2%–10%）用LLM-as-judge做语义验证，提示词要求两行输出 VERDICT: YES/NO 与 CORRECT_LABEL，严格解析，其他视为需人工复核。最终融合四个信号计算每行信任分，并推荐 relabel、keep(ambiguous)、needs_review、keep 四类处理。
必要用法与关键点：必须使用 cross_val_predict 获取样本外概率，不能用 pipeline.fit(X, y).predict_proba(X)；judge 应加按钮或 CLI 开关并以 (row_id, prompt_hash) 缓存结果，避免重复调用。示例依赖 LLM_API_KEY，可选 LLM_BASE_URL 对接兼容端点，底层用 llm Python 包。demo.py（marimo 笔记本）在 AG News 上注入 off-by-one、随机翻转和 Sports↔Business 系统性互换三种损坏，用于测量各审计的精确率与召回率。
限制与注意：生产环境无法直接测得召回率，只能用手工分层抽样、Cleanlab与judge一致率、relabel桶精确率间接评估。judge 可能出错，relabel 应视为高置信候选而非最终标签，边界样本仍需人工裁决；judge 自身系统性偏差可用两个不同模型家族投票缓解。结构性问题只能靠溯源审计发现，高比率系统性混淆 Cleanlab 无法察觉。具体定价、平台支持等信息资料暂未提供。