模型评估别再只看准确率！聊聊部署阶段的真正硬指标

兄弟们，搞AI模型的都知道，论文里动不动就99%准确率，但你真把模型往生产环境一扔，直接翻车——这我见太多了。今天聊点实在的，评估模型到底该看啥。

第一，离线指标只是敲门砖。准确率、F1、AUC这些，只能证明你模型在静置数据上没炸。但部署后，真实场景数据分布会漂移，比如用户行为变了、光照变了，模型立马拉胯。所以，**鲁棒性测试**必须做，比如加噪声、遮挡、对抗样本，看看模型能不能扛得住。

第二，**延迟和吞吐量**是命门。你模型再准，推理一次卡半天，线上服务直接崩。评估时一定要压测：设定QPS上限，测p99延迟。用TensorRT、ONNX做优化后，再比一下速度，别光看精度。

第三，**可解释性**别忽略。线上模型出bug，你光看loss没卵用。用SHAP或LIME跑一下特征重要性，至少知道模型是瞎猜还是真学懂了。特别是大模型，输出神神叨叨的，不解释清楚谁敢用？

最后，**监控与回滚机制**。部署后持续收集真实数据，和训练集算分布差异（比如PSI指标）。一旦漂移超阈值，自动回滚到旧模型。这才是成熟团队的玩法。

话题抛出来：你们在实际部署中，遇到过哪些评估时没发现、上线就暴雷的坑？分享出来大家一起避雷。