[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-kaidic--LDAM-DRW":3,"tool-kaidic--LDAM-DRW":61},[4,18,28,36,45,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":24,"last_commit_at":42,"category_tags":43,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",161147,"2026-04-19T23:31:47",[14,13,44],"语言模型",{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[27,13,15,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":10,"env_os":90,"env_gpu":91,"env_ram":92,"env_deps":93,"category_tags":99,"github_topics":78,"view_count":24,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":100,"updated_at":101,"faqs":102,"releases":132},9910,"kaidic\u002FLDAM-DRW","LDAM-DRW","[NeurIPS 2019] Learning Imbalanced Datasets with Label-Distribution-Aware Margin Loss","LDAM-DRW 是一个专为解决深度学习中的“数据不平衡”问题而设计的开源算法库，源自 NeurIPS 2019 的研究成果。在现实场景如医疗诊断或欺诈检测中，某些类别的样本数量极少（长尾分布），导致传统模型往往忽略这些少数类，预测效果不佳。LDAM-DRW 通过引入“标签分布感知边界损失”（LDAM Loss）和“延迟重加权”（DRW）策略，智能地调整不同类别的学习难度：它为样本稀少的类别设置更大的分类边界，并在训练后期动态增加其权重，从而迫使模型更关注少数类，显著提升整体准确率。\n\n该工具基于 PyTorch 构建，提供了清晰的代码实现和针对 CIFAR 等数据集的训练示例，非常适合人工智能研究人员、算法工程师以及需要处理长尾数据分布的开发者使用。其核心技术亮点在于将理论上的边界约束转化为可优化的损失函数，并配合巧妙的训练调度策略，无需复杂的数据增强即可有效缓解类别不平衡带来的偏差。如果你正在探索如何让模型在数据分布不均的情况下依然保持稳健表现，LDAM-DRW 提供了一个经过顶会验证的高效解决方案。","## Learning Imbalanced Datasets with Label-Distribution-Aware Margin Loss \nKaidi Cao, Colin Wei, Adrien Gaidon, Nikos Arechiga, Tengyu Ma\n_________________\n\nThis is the official implementation of LDAM-DRW in the paper [Learning Imbalanced Datasets with Label-Distribution-Aware Margin Loss](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1906.07413.pdf) in PyTorch.\n\n### Dependency\n\nThe code is built with following libraries:\n\n- [PyTorch](https:\u002F\u002Fpytorch.org\u002F) 1.2\n- [TensorboardX](https:\u002F\u002Fgithub.com\u002Flanpa\u002FtensorboardX)\n- [scikit-learn](https:\u002F\u002Fscikit-learn.org\u002Fstable\u002F)\n\n### Dataset\n\n- Imbalanced [CIFAR](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html). The original data will be downloaded and converted by `imbalancec_cifar.py`.\n- The paper also reports results on Tiny ImageNet and iNaturalist 2018. We will update the code for those datasets later.\n\n### Training \n\nWe provide several training examples with this repo:\n\n- To train the ERM baseline on long-tailed imbalance with ratio of 100\n\n```bash\npython cifar_train.py --gpu 0 --imb_type exp --imb_factor 0.01 --loss_type CE --train_rule None\n```\n\n- To train the LDAM Loss along with DRW training on long-tailed imbalance with ratio of 100\n\n```bash\npython cifar_train.py --gpu 0 --imb_type exp --imb_factor 0.01 --loss_type LDAM --train_rule DRW\n```\n\n\n### Reference\n\nIf you find our paper and repo useful, please cite as\n\n```\n@inproceedings{cao2019learning,\n  title={Learning Imbalanced Datasets with Label-Distribution-Aware Margin Loss},\n  author={Cao, Kaidi and Wei, Colin and Gaidon, Adrien and Arechiga, Nikos and Ma, Tengyu},\n  booktitle={Advances in Neural Information Processing Systems},\n  year={2019}\n}\n```","## 基于标签分布感知间隔损失的学习不平衡数据集\nKaidi Cao, Colin Wei, Adrien Gaidon, Nikos Arechiga, Tengyu Ma\n_________________\n\n这是论文《基于标签分布感知间隔损失的学习不平衡数据集》（[arXiv:1906.07413](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1906.07413.pdf)）中LDAM-DRW的官方PyTorch实现。\n\n### 依赖项\n\n代码基于以下库构建：\n\n- [PyTorch](https:\u002F\u002Fpytorch.org\u002F) 1.2\n- [TensorboardX](https:\u002F\u002Fgithub.com\u002Flanpa\u002FtensorboardX)\n- [scikit-learn](https:\u002F\u002Fscikit-learn.org\u002Fstable\u002F)\n\n### 数据集\n\n- 不平衡的[CIFAR](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html)。原始数据将通过`imbalancec_cifar.py`下载并转换。\n- 论文还报告了在Tiny ImageNet和iNaturalist 2018上的实验结果。我们将在后续更新这些数据集的相关代码。\n\n### 训练\n\n本仓库提供了若干训练示例：\n\n- 在长尾分布且比例为100的不平衡数据上训练ERM基线：\n\n```bash\npython cifar_train.py --gpu 0 --imb_type exp --imb_factor 0.01 --loss_type CE --train_rule None\n```\n\n- 在长尾分布且比例为100的不平衡数据上同时使用LDAM损失和DRW训练策略进行训练：\n\n```bash\npython cifar_train.py --gpu 0 --imb_type exp --imb_factor 0.01 --loss_type LDAM --train_rule DRW\n```\n\n\n### 参考文献\n\n如果您觉得我们的论文和代码库有用，请引用如下：\n\n```\n@inproceedings{cao2019learning,\n  title={Learning Imbalanced Datasets with Label-Distribution-Aware Margin Loss},\n  author={Cao, Kaidi and Wei, Colin and Gaidon, Adrien and Arechiga, Nikos and Ma, Tengyu},\n  booktitle={Advances in Neural Information Processing Systems},\n  year={2019}\n}\n```","# LDAM-DRW 快速上手指南\n\n本指南帮助中国开发者快速部署并使用 **LDAM-DRW**（Label-Distribution-Aware Margin Loss），用于解决长尾分布下的不平衡数据集学习问题。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux (推荐) 或 macOS\n*   **Python**: 建议 Python 3.6+\n*   **核心依赖**:\n    *   [PyTorch](https:\u002F\u002Fpytorch.org\u002F) >= 1.2\n    *   [TensorboardX](https:\u002F\u002Fgithub.com\u002Flanpa\u002FtensorboardX)\n    *   [scikit-learn](https:\u002F\u002Fscikit-learn.org\u002Fstable\u002F)\n\n> **国内加速建议**：安装 PyTorch 时，推荐使用清华或中科大镜像源以提升下载速度。\n> 例如使用 pip 安装：\n> `pip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fkaidic\u002FLDAM-DRW.git\n    cd LDAM-DRW\n    ```\n\n2.  **安装依赖库**\n    项目未提供 `requirements.txt`，请手动安装所需库（建议使用国内镜像）：\n    ```bash\n    pip install tensorboardX scikit-learn -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *注：PyTorch 请根据您的 CUDA 版本前往官网或上述镜像源单独安装。*\n\n3.  **准备数据**\n    本项目支持不平衡 CIFAR 数据集。首次运行时，脚本会自动下载原始数据并通过 `imbalancec_cifar.py` 进行转换处理，无需手动干预。\n\n## 基本使用\n\n以下命令展示了如何在长尾不平衡比例（Imbalance Ratio）为 100 的 CIFAR 数据集上进行训练。\n\n### 1. 训练基准模型 (ERM Baseline)\n使用标准的交叉熵损失函数（CE）作为对照：\n\n```bash\npython cifar_train.py --gpu 0 --imb_type exp --imb_factor 0.01 --loss_type CE --train_rule None\n```\n\n### 2. 训练 LDAM-DRW 模型 (推荐)\n使用本文提出的 **LDAM Loss** 配合 **DRW** (Deferred Re-Weighting) 训练策略：\n\n```bash\npython cifar_train.py --gpu 0 --imb_type exp --imb_factor 0.01 --loss_type LDAM --train_rule DRW\n```\n\n**参数说明：**\n*   `--gpu`: 指定使用的 GPU 编号。\n*   `--imb_factor 0.01`: 设置不平衡比例为 100 (1\u002F0.01)。\n*   `--loss_type LDAM`: 启用标签分布感知边界损失。\n*   `--train_rule DRW`: 启用延迟重加权训练规则。\n\n训练过程中，日志和 Tensorboard 数据将自动生成，可用于监控模型收敛情况。","某医疗 AI 团队正在开发基于胸部 X 光片的疾病筛查系统，面临罕见病样本极少而常见病样本海量的严重数据长尾分布问题。\n\n### 没有 LDAM-DRW 时\n- 模型严重偏向常见病类别，对肺炎等高频病识别率高达 95%，但对气胸等罕见病的召回率不足 40%。\n- 采用传统的交叉熵损失函数训练时，少数类样本的梯度被多数类淹没，导致模型直接“忽略”稀有病例特征。\n- 尝试过采样或加权损失等常规手段后，模型要么过拟合少数类噪声，要么整体准确率大幅下滑，难以在精度与召回间找到平衡。\n- 业务方因漏诊风险过高拒绝部署，项目陷入必须收集更多昂贵标注数据才能推进的死胡同。\n\n### 使用 LDAM-DRW 后\n- 引入标签分布感知边界（LDAM）损失，自动为罕见病类别构建更大的分类间隔，显著提升了少数类的判别能力。\n- 结合延迟重加权（DRW）策略，在训练后期动态调整样本权重，既保留了早期学习的通用特征，又强化了对长尾数据的关注。\n- 在无需额外采集数据的前提下，罕见病识别召回率从 40% 跃升至 82%，同时常见病识别精度仅微跌 1%，实现了整体性能的最优解。\n- 模型顺利通过临床验证测试，团队得以提前两个月将辅助诊断系统部署至合作医院，大幅降低了漏诊事故率。\n\nLDAM-DRW 通过数学层面的损失函数创新，在不增加数据成本的前提下，彻底解决了长尾分布导致的少数类识别难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkaidic_LDAM-DRW_32cf252f.png","kaidic","Kaidi Cao","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkaidic_0e61e99b.jpg","CS Ph.D at Stanford","Stanford University","Stanford, CA",null,"https:\u002F\u002Fai.stanford.edu\u002F~kaidicao\u002F","https:\u002F\u002Fgithub.com\u002Fkaidic",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,699,116,"2026-04-10T05:42:21","MIT","","需要 GPU（命令行参数指定 --gpu），具体型号、显存大小及 CUDA 版本未说明","未说明",{"notes":94,"python":92,"dependencies":95},"代码基于 PyTorch 1.2 构建。支持在长尾不平衡的 CIFAR 数据集上进行训练，脚本通过 `imbalancec_cifar.py` 自动下载并转换数据。论文中提到的 Tiny ImageNet 和 iNaturalist 2018 数据集的代码支持将在后续更新。训练时可通过命令行参数指定 GPU 编号、不平衡类型、不平衡因子、损失函数类型（如 CE 或 LDAM）及训练规则（如 DRW）。",[96,97,98],"PyTorch 1.2","TensorboardX","scikit-learn",[15,14],"2026-03-27T02:49:30.150509","2026-04-20T10:24:22.144642",[103,108,113,118,123,128],{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},44496,"LDAM Loss 中的超参数 `C` 和 `s` 应该如何设置？它们与数据不平衡程度有何关系？","1. `C` 对应代码中的 `max_m \u002F np.max(m_list)`。`max_m` 是需要调节的超参数，目标是尽可能大但不要导致欠拟合。对于小数据集，0.5 通常效果很好；对于 iNaturalist 等大数据集，0.3 就足够了，0.5 可能过大。\n2. `s`（缩放因子，类似 Softmax 温度）不需要精细调节，具有鲁棒性。设为 1 可能导致欠拟合（即使 logits 差异大，Softmax 后概率也难接近 0.99），尝试设为 10 效果也差不多。","https:\u002F\u002Fgithub.com\u002Fkaidic\u002FLDAM-DRW\u002Fissues\u002F2",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},44497,"为什么使用通用 ResNet（如 torchvision 的 resnet34）替换原代码骨干网络会导致 Loss 变为 NaN？","这是因为缺少了论文中提到的 `NormedLinear` 层。原代码使用的不是通用的 ResNet，而是包含特定归一化线性层的变体。如果直接替换为 torchvision 的标准 ResNet 而没有实现 `NormedLinear` 类，会导致训练不稳定并出现 NaN。","https:\u002F\u002Fgithub.com\u002Fkaidic\u002FLDAM-DRW\u002Fissues\u002F20",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},44498,"复现 Focal Loss 时出现 NaN 损失，特别是在 gamma=0.5 时，如何解决？","这是由于 `F.cross_entropy` 计算出的输出损失可能为负值，进而导致 NaN。解决方法是在计算过程中添加一个小的正值，或者使用 `F.relu()` 来处理负值问题。此问题在 PyTorch 1.8.0 环境中已被观察到。","https:\u002F\u002Fgithub.com\u002Fkaidic\u002FLDAM-DRW\u002Fissues\u002F17",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},44499,"DRW 策略代码中使用的 Beta=0.9999 是 Class-Balance Weight 还是频率倒数？为什么要选这个值？","代码实现的是 Class-Balanced Loss 的加权方式。虽然论文中报告的是频率倒数，但 Beta=0.9999 的计算结果已经非常接近频率倒数，两者差异极小。维护者表示原本应改为 0.999999 以减少困惑，但当前值已足够有效。","https:\u002F\u002Fgithub.com\u002Fkaidic\u002FLDAM-DRW\u002Fissues\u002F3",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},44500,"发布的代码中 Focal Loss 实现似乎有误，与论文结果不一致，是否已修复？","是的，这是一个清理代码时的失误。论文实验所用的原始代码库中确实包含了 `reduction='none'` 标志，这是正确实现 Focal Loss 的关键（确保对每个样本单独计算损失）。GitHub 上发布的版本在清理过程中遗漏了该标志，但论文中的结果是正确的。用户在使用时需确保在 `F.cross_entropy` 或相关损失函数中设置 `reduction='none'`。","https:\u002F\u002Fgithub.com\u002Fkaidic\u002FLDAM-DRW\u002Fissues\u002F6",{"id":129,"question_zh":130,"answer_zh":131,"source_url":107},44501,"LDAM Loss 中缩放因子 `s` 设为 1 会有什么问题？","将 `s` 设为 1 会导致欠拟合。原因是即使 logits 输出差异明显（例如 [1, -1, -1, ...]），经过 Softmax 处理后，真实类别的概率也无法接近 0.99，从而限制了模型的判别能力。建议保持默认值或尝试更大的值（如 10 或 30）。",[]]