模型漂移
机器学习中描述模型行为随时间发生变化的现象，分为自然发生的数据分布偏移和人为主动引入的行为变化两类，后者影响范围和可预测性更难评估。
核心事实
时间轴 (近 90 天)
一次干净的金丝雀运行不能证明模型未变，只意味着该时间段内没有抓到变化。
当模型快照变化时，输出通常读起来更好（更短、更友好、更结构化），而非更差，因此肉眼观察是最差的漂移检测器。
免费模型端点可能发生模型漂移，即实际服务的模型权重或版本在调用方不知情时改变，响应中的 model 字段是唯一的现场证据。
每一次模型换代，围绕旧模型建立的提示词库、工作流和肌肉记忆都会部分失效，业界将这种现象称为"模型漂移"带来的隐性成本。
模型漂移（Model Drift）是AI交易系统必须持续应对的核心问题，指模型在生产环境中表现随时间下降的现象，通常分为数据漂移和概念漂移两类。
应对模型漂移的手段包括：持续监控预测分布与实际结果的偏差、设置性能衰减告警阈值、定期用滚动窗口数据重新训练模型，以及在检测到显著漂移时自动降级为更保守的策略或暂停交易。
模型行为漂移是指即使代码和提示词没有改动，底层模型被静默更新、温度参数变化或上下文长度调整后，同一输入的输出分布也可能发生变化。
监控漂移的常用做法包括统计输入特征的分布变化（如PSI指标）、跟踪线上预测结果的分布，以及定期抽样人工复核。
模型漂移指模型上线后由于真实世界数据分布变化导致预测性能随时间下降的现象，应对手段包括持续监控、性能告警阈值和定期或触发式再训练。
协变量漂移指特征分布 P(X) 在来源与目标之间不一致，模型漂移涉及条件分布 P(Y|X) 的偏移
还有 7 条时间轴事件
全部知识事实 (20)
AI系统引入了全新的安全风险维度，包括模型幻觉导致的错误决策、提示注入攻击（Prompt Injection）、训练数据投毒、以及AI代理权限滥用等
80%已验证模型行为漂移是指即使代码和提示词没有改动，底层模型被静默更新、温度参数变化或上下文长度调整后，同一输入的输出分布也可能发生变化。
65%已验证模型漂移通常分为数据漂移和概念漂移两类，数据漂移指输入数据统计分布随时间变化，概念漂移指输入与输出关系本身发生变化
65%待验证AI产品效果可能在未做任何改动的情况下变差，原因包括RAG知识库数据未同步更新或供应商默默更新了模型版本
60%待验证一次干净的金丝雀运行不能证明模型未变，只意味着该时间段内没有抓到变化。
50%待验证当模型快照变化时，输出通常读起来更好（更短、更友好、更结构化），而非更差，因此肉眼观察是最差的漂移检测器。
50%待验证免费模型端点可能发生模型漂移，即实际服务的模型权重或版本在调用方不知情时改变，响应中的 model 字段是唯一的现场证据。
50%待验证每一次模型换代，围绕旧模型建立的提示词库、工作流和肌肉记忆都会部分失效，业界将这种现象称为"模型漂移"带来的隐性成本。
50%待验证应对模型漂移的手段包括：持续监控预测分布与实际结果的偏差、设置性能衰减告警阈值、定期用滚动窗口数据重新训练模型，以及在检测到显著漂移时自动降级为更保守的策略或暂停交易。
50%待验证模型漂移（Model Drift）是AI交易系统必须持续应对的核心问题，指模型在生产环境中表现随时间下降的现象，通常分为数据漂移和概念漂移两类。
50%待验证监控漂移的常用做法包括统计输入特征的分布变化（如PSI指标）、跟踪线上预测结果的分布，以及定期抽样人工复核。
50%待验证模型漂移指模型上线后由于真实世界数据分布变化导致预测性能随时间下降的现象，应对手段包括持续监控、性能告警阈值和定期或触发式再训练。
50%待验证协变量漂移指特征分布 P(X) 在来源与目标之间不一致，模型漂移涉及条件分布 P(Y|X) 的偏移
50%待验证协变量漂移和模型漂移可能引发负迁移，导致额外数据拖累模型表现
50%待验证影响用户感知模型退化的因素包括上下文窗口填充、系统提示词变更、采样温度调整和模型漂移
50%待验证目前学界和工业界缺乏针对生产环境模型的标准化持续监测基准
50%待验证针对模型漂移的测试需要建立持续的统计监控流水线，定期对比生产数据与训练数据的分布特征并设置性能指标告警阈值
50%待验证模型漂移导致的性能下降不会让系统抛出报错，因此传统监控手段（如异常日志、崩溃率）对其完全失效
50%待验证AI模型输出具有随机性，即使配置完全相同，同一prompt在不同时刻的输出也可能不同
50%待验证作者记录一次无声的安全更新使管线准确率从96%骤降到71%，需要120个工程师工时诊断修复
50%