k-fold 交叉验证、分层与分组 CV、方差估计及泄漏防范；与 Math-01 检验的衔接。

说明 pass@k 在代码生成与多采样任务中的含义、无偏估计公式、与 pass@1 的区别及在微调评估中的用法与局限。

说明 BERTScore 基于语义嵌入的 P/R/F1 计算方式、与 BLEU/ROUGE 的差异、在 LLM 生成评估中的适用场景与局限。

说明生成式微调中 Invalid 预测率的定义、解析规则设计、与 Accuracy/F1 的关系及在格式约束任务中的诊断价值。

Early stopping 原理、验证集监控、checkpoint 策略及在深度训练与微调中的用法。

Dropout 机制、数据增强作为隐式正则、及在视觉、语音、文本中的典型增强策略。

梳理 LLM 监督微调中常用的训练监控指标与任务级评估指标，按训练过程、分类任务、开放生成、专项指标四类组织，各篇自包含公式、代码与局限说明。

说明 SFT 微调中 eval_loss 的直观含义、计算公式、在训练监控中的用法及与任务指标的区别与局限。

说明 Perplexity 的定义、与交叉熵损失的关系、在语言模型微调评估中的解读方式及局限。

说明 TRL SFTTrainer 记录的 mean_token_accuracy 的含义、计算方式、适用场景及与 eval_loss、任务 accuracy 的区别。