Model Staleness

释义 Definition

模型陈旧/模型过时：指部署中的机器学习模型由于数据分布变化（概念漂移）、业务规则更新、用户行为改变或特征管道延迟等原因，逐渐与当前真实世界不匹配，导致预测性能下降的现象。（在分布式训练语境中也可指“参数/梯度陈旧”，即更新滞后带来的不一致。）

发音 Pronunciation (IPA)

/ˈmɑːdəl ˈsteɪlnəs/

例句 Examples

The team monitors model staleness every week.
团队每周都会监控模型陈旧情况。

Even with high offline accuracy, model staleness can quietly increase after a product launch, because user behavior shifts and the training data no longer represents current traffic.
即使离线准确率很高，产品上线后模型也可能悄然变得陈旧，因为用户行为发生变化，训练数据不再代表当前流量。

词源 Etymology

model 源自拉丁语 modulus（“尺度、模式”），引申为“模型/范式”。staleness 来自形容词 stale（“不新鲜的、陈旧的”），其词根与“变得不再新鲜/不再适用”的含义相关；加后缀 -ness 构成名词，表示“……的状态”。合起来强调“模型变得不再适用的状态”。

相关词 Related Words

• Concept Drift
• Data Drift
• Distribution Shift
• Model Decay
• Model Monitoring
• Retraining
• Feature Drift
• Stale Gradients

文献与作品 Literary Works

• Hidden Technical Debt in Machine Learning Systems（Sculley 等，2015）——讨论生产环境中模型随时间“变旧/失效”的风险与维护成本。
• Machine Learning Engineering（Andriy Burkov，2020）——涉及模型上线后的监控、数据变化与再训练，常以“模型陈旧/退化”语境出现。
• Designing Machine Learning Systems（Chip Huyen，2022）——强调数据分布变化导致的性能衰退与持续评估/更新（常讨论“stale model/模型陈旧”问题）。