辅导之后，论证和实验该长什么样

在 1.2 万条意图分类数据上对比 Dropout、权重衰减与早停。p = 0.3 的 Dropout 相对无正则基线减轻了过拟合，但在用加权交叉熵校正类别不平衡后增益消失——说明原先的差距有一部分来自指标假象，而不是模型容量本身。

本文比较细粒度锁与 lock-free 链表在只读为主负载下的吞吐。关键不在平均延迟，而在扩容时线性化点是否仍然可论证。基准在 16 核上给出：错误地在 resize 时持有全局锁，会把尾延迟拉回粗粒度实现。

高峰选课不该先上微服务。按选课窗口的流量模型，单体加只读副本与队列，比过早拆服务更能保证一致性。测试计划把“超售”作为必须失败的不变量，而不是事后补的边界用例。

小组项目把覆盖率阈值写进 CI，却在 flaky 测试上浪费评审时间。报告建议按模块划分门禁：领域逻辑强制单测，UI 用契约测试，端到端只保留三条主路径，避免把流水线变成噪声源。

RAG 系统的常见失败不是检索不到，而是生成段落下的引用与证据句不对齐。综述把评价拆成检索召回、句子级归因和答案可验证性三条线，并指出只用 EM/F1 会掩盖“看起来像引用”的幻觉。

在长尾图像分类中，温度缩放到验证集整体最优时，尾类仍然过度自信。按类频分段校准后，ECE 下降，但头类准确率略损——说明“一个温度”预设并不适合课程项目里常见的不平衡设定。