用途：把经验性问题转化为能支持决策的证据，即一个能回答该问题的比较、适配用途的训练数据，以及结果可归因的服务配置。训练好的检查点、可运行的 runner 或更高的数字本身不算证据；负面发现或有边界未解问题也可结束工作。训练比较、服务比较与复现各自独立，一个问题常需两者。
主要能力：从问题出发，恢复问题、可改变的决策、已有结果、模型数据与服务设置及约束；明确比较单元（run、record、response 或 task completion）并保持计数一致。设计或评审请求返回发现；构建、训练、适配或执行需对应请求。使用项目已有的 runner、记录、标识符、schema 与计划，不新建追踪框架、注册表或 harness。
使用方式：说明下一次观察能区分哪些备选及结果如何改变工作；选能回答本轮的最小比较，含变化因子、基线、比较条件、有意义输出及信息量理由。计算少时在现象仍出现的最小模型与数据规模上迭代；数据少时优先花在评估而非训练。执行前检查实际 runner、检查点、预处理、划分、目标、优化器、调度、算力分配与结果记录；昂贵运行前用授权的小检查确认数据到达预期计算、损失与梯度合理、检查点可存读、测量可恢复。固定模型、分词器、服务引擎与量化版本，记录解析后的 revision 而非可变别名；把模式切换（推理开关、思考预算、工具模式、解码预设）当作一等变量。
训练数据：恢复目标任务、目标人群、观察单元、来源材料、允许处理方式及数据决策；检查真实记录后再规定类别；匹配目标格式（提示与目标模板、掩码、特殊 token 属训练设置）；检查与评估材料的污染；关联采样权重与覆盖；把标签噪声当作测量量；结构检查配合跨组内容评审。
服务与推理比较：数字只能归因于产生它的配置与模式；发布模型卡数字须绑定其测量时的服务配置与模式；冻结配置前先做小比较。
解读与报告：检查实际输出、比较条件与错误，区分测量观察与解释；归因前生成竞争解释（测量伪影、混杂、选择、反向因果）并命名可区分的检查；在支持强度内报告，保留完整配置与来源，不隐藏重大失败。
限制：资料未提供具体收费、价格、平台支持或效果数据；数据访问、共享硬件、外部标注与提供商限制仍适用，公开可得不构成许可或同意。