模型评估别只盯着准确率：3个实战踩坑经验分享

最近在帮团队做模型选型，发现很多同学评估模型时只看榜单上的准确率或F1分数，结果部署到生产环境直接翻车。今天聊几个接地气的评估坑，都是血泪教训。

**1. 数据分布不对，指标全白费** 🚫  
很多人在测试集上跑分漂亮，但别忘了验证集和真实业务数据分布是否一致。比如你拿ImageNet预训练模型去识别工业缺陷，如果测试集里都是无瑕疵样本，那99%的准确率毫无意义。建议先做数据探查，看类别平衡性、长尾分布，再决定用加权F1还是PR曲线。

**2. 延迟和吞吐量才是硬门槛** 🕒  
模型再准，推理时间超过200ms，线上直接超时。别光看离线指标，用实际部署框架（如TensorRT、ONNX）测一下延迟，特别是batch推理和流式场景。曾经见过一个BERT模型AUC 0.95，但量化后精度暴跌，最后换了轻量版DistilBERT才过线。

**3. 鲁棒性测试不能省** 🔬  
简单加个高斯噪声或随机遮挡，很多模型就崩了。建议用对抗样本或领域漂移数据集（比如天气变化后的图片）做压力测试。如果模型对输入微小变化敏感，上线后用户随手换个角度拍照就识别错误，那和“AI智障”没区别。

**最后问个问题**：你遇到最坑的模型评估翻车案例是什么？是训练集和测试集泄露，还是业务指标和离线指标完全对不上？评论区聊聊。

第一条太真实了，之前做OCR识别，测试集准确率99%，上线后遇到模糊字体直接崩了😅。你们数据探查这块一般用什么工具？我试过Pandas Profiling感觉还行。