待验证50% 置信事实精确时间
数据漂移和概念漂移会导致模型性能退化，但在服务层健康指标（延迟、吞吐、错误率）上可能没有异常，需通过统计检测手段（如KL散度、PSI、KS检验）主动发现
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
待验证漂移检测存在权衡：阈值设置过于敏感会导致频繁误报和不必要的重训，设置过于宽松则可能让模型性能在无感知中持续退化78% 相似已验证数据漂移（Data Drift）指线上真实数据的统计特性偏离训练集时，模型性能在无报错情况下持续下滑76% 相似待验证模型错误可归因于知识缺失、推理能力不足或指令跟随偏差，分别对应补充预训练数据、引入思维链训练数据和优化SFT数据分布等修复路径74% 相似已验证若用含测试集的全量数据计算均值和标准差，会导致预处理泄漏，使评估指标虚高，无法真实反映模型泛化能力74% 相似已验证过拟合是指模型在训练数据上表现优异，但在未见过的测试数据上性能大幅下降的现象73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/897067API
curl https://kongchang.com/api/v1/knowledge/claims/897067MCP
get_claim(id=897067)