针对Seedance 2.0生成失败（模糊、抖动等）进行根因诊断的技能。通过加载导演阅读和故障图谱，分析注意力稀释等机制问题，提供修复方案而非简单重写，旨在挽救创意并恢复用户信心。
提供基于SHAP框架的机器学习模型解释能力，涵盖不同模型类型的解释器选择、特征归因计算及多种可视化方法，用于调试模型、分析公平性及生成可解释报告。
TensorBoard是用于机器学习可视化的工具，支持训练指标监控、模型调试、实验对比及性能分析。适用于PyTorch和TensorFlow框架，帮助开发者直观理解模型行为并优化训练过程。
针对AReaL分布式训练（FSDP2/TP等）的调试指南，涵盖死锁、结果错误、OOM及通信异常。提供最小复现策略、环境配置、堆栈分析及具体排查步骤。
提供Apache Spark作业的性能优化方案，涵盖分区策略、内存管理、Shuffle优化及数据倾斜处理。用于调试慢任务、调整Executor配置及扩展数据处理流水线。
用于分析和调优多GPU训练中的LengthPoolSortDataset，解决跨rank长度同步瓶颈，提升训练效率。
诊断广告、CRM、漏斗等业务指标未达标的根因。通过漏斗分析、根因排序和行动优先级生成，定位流量、创意或数据问题，并提供短期修复与长期优化方案。
- «
- 1
- »
