-
Hugging Face Tokenizers 的 normalizers.Sequence 会按列表顺序串联多个规范化规则。本文用 NFD、Lowercase 和 StripAccents 组成可读的处理链，说明如何先观察 normalize_str 的结果，再挂到 Tokenizer，并梳理顺序、空链和训练一致性的边界。
-
Tokenizers Metaspace 用可见标记表示空格。本文解释 replacement、prepend_scheme、split 的区别，给出片段观察示例，并说明迁移旧参数时应保留模型的词表与解码约定。
-
Hugging Face Datasets 的 ClassLabel 不应根据每个数据切片临时推导。本文用固定 names 顺序统一训练、验证和推理标签，并说明 map、cast_column、names_file、int2str 与 str2int 的边界。
-
Hugging Face Datasets 在 filter、select 或 shuffle 后可能通过索引映射访问原始数据。本文说明 flatten_indices 如何把这些逻辑行重新写成连续数据，并给出缓存路径、写入批次、内存和并行参数的选择方法。
-
Hugging Face Datasets 的 interleave_datasets 可以按 probabilities 随机选择多个语料源，再用 seed 复现选择序列。本文用最小示例说明三种停止策略的差异，以及 streaming 场景的取舍。
-
在 Responses API 中注册自定义函数工具，读取模型返回的 function_call，执行本地业务函数，再用原始 call_id 回传 function_call_output。本文用一个完整 JavaScript 片段讲清工具契约、调用闭环、strict 和并行调用边界。
-
OpenAI API 的 usage 字段位于响应对象中。本文区分 Responses API 与 Chat Completions 的字段命名，演示读取输入、输出、总量及缓存/推理明细，并说明流式响应为什么可能拿不到最终 usage。
-
OpenAI Batch API 查询状态的关键是使用 batch_id 调用 retrieve 接口，再结合 status、request_counts 和结果文件字段判断下一步。本文给出 curl、Python 示例，并说明各个中间态、终态和失败边界。
-
Hugging Face Datasets 里，to_parquet 的 batch_size 主要控制写入批次与内存，不等于输出文件数量；本地固定文件数要用 Dataset.shard，上传 Hub 则可用 max_shard_size 或 num_shards。
-
使用 PyTorch IterableDataset 配合 DataLoader 多 worker 时，数据集对象会复制到各个进程，直接迭代容易读到重复样本。本文用 get_worker_info 在 __iter__ 中计算半开区间，说明不整除、尾部数据和 drop_last 的边界。
-
Hugging Face Hub 的模型缓存可以通过 HF_HOME、HF_HUB_CACHE、HF_ASSETS_CACHE 和 HF_XET_CACHE 分开管理。本文从目录边界、环境变量导入时机、repo 缓存结构、下载函数与清理边界几个方面说明如何让模型文件可控地复用。
-
Hugging Face Transformers 加载分类模型时，如果新任务的标签数量与 checkpoint 不同，可以用 ignore_mismatched_sizes 处理分类头尺寸差异。本文说明参数边界、加载诊断和不能直接忽略的结构问题。
-
OpenAI API 请求遇到超时或连接中断时，不能简单生成新键重发。本文以官方 Agents Sessions Events 文档为边界，说明如何生成 Idempotency-Key、如何复用同一键重试，以及它和 X-Client-Request-Id、x-request-id 的区别。
-
OpenAI Responses API 的 background 模式可以让长耗时任务异步运行。本文用一个可复用的轮询骨架说明如何保存 response_id、区分处理中与终态，并比较取消、流式恢复和数据保留的取舍。
-
OpenAI API 中 top_p 直接影响候选概率范围，reasoning.effort 与 max_output_tokens 分别控制推理投入和输出预算。本文用 Responses API 示例说明如何区分职责并避免同时调 temperature 与 top_p。
