用途：把一个经验性问题转化为能支撑决策的证据，而不是仅给出一个检查点、可运行的跑脚本或更高的数字。训练对比、部署对比和复现各自独立，一个任务通常只取所需部分。
主要能力：比较训练、微调或权重适配；比较推理/部署配置；复现既有结论。要求先还原问题、可能的决策、已有结果、所用模型、数据与部署设置及约束，明确被比较的单元（run、record、response 或 task completion）并保持计数口径一致。
使用方式：使用项目自己的运行器、记录、标识符、schema 和计划，不新建追踪框架或注册表。选择能回答本轮问题的最小对比，说明改变的因素、基线、比较条件、有意义的输出及其信息量。高开销运行前先做小规模检查（数据是否到达目标计算、损失与梯度是否合理、检查点能否存取、度量能否恢复），冒烟测试只证明就绪。
训练数据：检查真实记录后再定类别，匹配目标格式与模板、掩码和特殊 token，检查与评测材料的重叠污染，处理采样权重、覆盖范围与标签噪声，区分构建计数与部署流行度。
部署与推理：固定模型、分词器、服务引擎与量化版本，记录解析后的修订而非可变别名；把推理开关、思考预算、工具模式和采样预设当作一等变量并明确报告每个数字来自哪个模式；模型卡数字需绑定其测量时的服务配置。
解读与报告：区分测量观察、解释与未验证预期；对表观提升先提出替代解释（测量伪影、混杂、选择、反向因果）并给出可区分检查；结论按其证据强度报告，保留完整配置与来源，不隐瞒重大失败。
限制：资料未提供具体安装命令、价格、平台或性能数据；无关任务部分不应使用，评测本身的度量与校验属于其他评测技能。