当技术文档、项目说明、教程资料和常见问题都进入知识库后，后续查找和复用会轻松很多。
扩展丰富：Flask的生态虽然不如Django完整，但也非常强大——Flask-SQLAlchemy、Flask-Migrate、Flask-Login、Flask-CORS等等。
赛事选取了大众极易受骗的造假素材，包括AI篡改的转账截图、虚假社交人像、生成萌宠视频、伪造学术论文等。
next_ax(), gscv.best_estimator_, X_train, y_train, 'max_samples', nsamples) 绘制学习曲线如下: ch9util.
四、与 Python AI 生态的对比视角 维度 Python (JIT/解释型) C# NativeAOT (编译型) 冷启动 秒级（依赖加载 + JIT） 毫秒级（原生机器码） 内存占用 高（运行时 + 依赖库） 极低（剪裁后仅含必要代码） 部署体积 数百 MB（Conda/容器） ~15MB（单文件可执行） 运行时依赖 Python + CUDA + 框架 零依赖（自包含） 推理性能 依赖底层 C++ 扩展 原生高性能 + 可调用 ONNX Runtime 开发效率 极高（生态丰富） 高（现代语言特性 + 强类型） 核心结论：NativeAOT 不是取代 Python 在 AI 研究/原型阶段的地位，而是破解 AI 应用从"实验室"到"生产线"的最后一公里——当模型已经训练好、需要稳定、高效、低成本地服务千万用户时，C# NativeAOT 提供了比 Python 更贴近硬件的部署路径。
因此，我们可以把后训练理解为对模型输出分布的重新塑造。本文重点讨论三种后训练方法： 监督微调（Supervised Fine-Tuning，SFT）：在预先准备好的标准答案上学习； 强化学习（Reinforcement Learning，RL）：从当前模型的输出中采样，再根据奖励优化； 在线策略蒸馏（On-Policy Distillation，OPD）：由学生生成轨迹，再由教师在学生实际访问的状态上提供逐 token 指导。
OnCompleted( Action continuation, object?