用着用着 AI 模型变笨了是怎么回事？我训练了一个月结果现在效果越来越差

你遇到的大概率不是“模型变笨”，而是三类问题叠加：每天爬取且未清洗的数据带进了标签噪声、增量训练导致旧知识被覆盖、部分类别出现数据偏差让“圆=球”被放大。先做一件事：冻结当前模型，回滚到一个月前准确率 80% 以上的权重，然后按下面顺序排查。

先回滚并隔离新数据

把最近一个月爬取的图片单独放着，不再用于现有模型。先确认回滚后的旧模型在旧测试集上是否还正常。如果正常，问题出在近一个月的增量训练；如果旧模型也出错，先检查测试集本身是否被污染。

三个主要嫌疑对照

关于灾难性遗忘，在持续学习领域有公开讨论，可参考人民网等媒体的科普报道（https://www.people.com.cn/）。

模型容量不够一般不会让已学会的类别突然变错，更多是准确率上限低。先不急着换大模型，把数据问题排完再说。

按顺序排查

1. 检查最近一个月新数据的标签：随机抽 100 张，逐张核对，先排除大量错标。
2. 统计类别分布：看每个类别各进了多少张，有没有某个类别暴涨。
3. 用旧模型测试新数据：把新数据当测试集，看旧模型表现，判断数据分布是否偏移。
4. 把新旧数据合并，重新训练一轮：不要继续在旧模型上只喂新数据，避免灾难性遗忘。
5. 对“圆=球”做混淆矩阵：看苹果、球、圆形物体之间的混分，确定偏置来源。

别再做这三件事

• 不要每天把爬虫数据直接增量训练线上模型，先离线洗数据、去重、抽检。
• 不要只凭准确率 80% 就持续上线，留一个固定验证集，每次训练后先验证。
• 不要“喂得越多越好”，分类模型不是数据越多就越聪明，错误标签和偏置数据会让它越学越偏。

听起来像是数据偏了。你每天爬的新图片可能越来越单一，或者标签质量下降，导致模型只记住了最近的数据。建议把之前表现好的那个版本备份一下，重新拿旧数据跑一遍看看是不是还能到80%，如果行那就确实是新数据的问题。

我也不是专家，但听你说的感觉挺像是“灾难性遗忘”或者“数据分布漂移”的问题。你一直往模型塞新数据，可能前面学的知识被“覆盖”了，导致整体表现反而变差。还有就是数据质量不稳定，爬的图可能有很多错误标签或者偏差，模型被误导了。那个“圆形就全当球”的现象，感觉就是模型在某些特征上过度依赖了，反而忽略其他信息。建议你回头用一定比例的老数据加新数据一起训练，或者试着用验证集动态监控表现，确认到底是哪块出问题了……我之前看网上有说，模型训练没那么简单，光数据多不管用，得保证数据多样性和质量，不然真越学越糟。只能互相掰扯了…祝好运。