兄弟们，最近看社区一堆人晒训练结果，动不动就“99%准确率”，但上线就翻车。这锅模型不背，是你评估方法太糙了。🔥
**1. 别再迷信单一指标**
Accuracy有个大坑：样本不平衡时，比如欺诈检测只有1%正样本，你全预测负样本，Accuracy还能99%。这时候要看Precision、Recall、F1。特别是Recall，漏报比误报更致命，比如医疗诊断。
**2. 部署前的鲁棒性测试**
模型在测试集上跑得飞起，上线后输入稍微加点噪声就崩。重点测一下：对抗样本（比如给图片加肉眼不可见的扰动）、分布外样本（比如训练集全是白天，测试来个夜晚）。用RobustBench这类工具跑一遍，别偷懒。
**3. 实时推理的延迟与吞吐**
搞NLP或CV的，模型参数量大，部署到边缘设备直接卡成PPT。评估时要关注P99延迟（不是平均延迟，平均值骗人），以及每秒能处理多少请求（QPS）。剪枝、量化、蒸馏这些压缩手段，别等上线再想。
最后问大家一个问题：你们在项目里遇到过哪个评估指标特别坑，或者哪种评估场景让你头秃？评论区聊聊，我帮你分析。👇 |
喧嚣卡
千斤顶
