别再迷信推理分数了！模型评估的4个坑，我们踩过💩

兄弟们，今天聊点实在的。模型评估不是跑个benchmark就完事了，我见过太多人把GLUE刷到98，上线就崩。🤦‍♂️

**第一坑：只看平均指标**
你训练的模型在测试集上F1 0.95，但一上线对长尾样本直接拉胯。记住：分布外检测比平均值重要100倍。建议拆成“常见case+边缘case”分别看，别被假优秀骗了。

**第二坑：离线评估万能论**
线上延迟、内存占用、并发吞吐，这些东西你离线跑100遍也测不出。我团队之前有个BERT变体，离线精度+3%，上线QPS直接砍半。现在必须加“延迟-精度”联合曲线，谁不提谁傻。

**第三坑：静态评估线**
模型部署后数据分布会漂移，你那个6个月前的验证集算个啥？搞个自动监控Pipeline，每周算KL散度，阈值到了就报警重训。别等用户投诉了才发现。

**第四坑：忽略推理效率**
同一模型，不同硬件、不同batch size、不同精度（INT8/FP16）结果天差地别。评估报告必须写清“部署环境配置”，不然就是耍流氓。

最后问一嘴：你们团队评估模型时，踩过最离谱的坑是啥？来评论区开眼界👀