想象一位刚拿到驾照的新手司机小李，坐进经验丰富的老司机王师傅的副驾。小李全程不敢碰方向盘，但脑子一秒都没闲着：“这个路口要是我的话，该提前减速吗？旁边那辆加塞的车，我应该往右让多少？”每次跑完长途，王师傅都会和小李一起回放行车记录仪，把小李“心里想的操作”和“实际开的操作”逐段对比，挑出差异最大的几段，做成案例让小李反复研究。下次再上路，小李的车技就悄悄高了一截。这，就是数据闭环与影子模式最朴素的样子。 在自动驾驶世界里，车上的算法就是那位“副驾学员”，而真实的人类驾驶员就是“老司机”。算法在后台同步运行感知和规划，不碰方向盘，只做比较、记录和回传。数据团队像驾校教练一样，从海量行驶片段中筛选出有价值的“疑难案例”，标注好后重新训练算法。如此周而复始，自动驾驶能力就像新手司机的车技一样，一圈一圈地滚上去。

岗位关联

理解数据闭环与影子模式，是成为自动驾驶数据平台、算法迭代与工程落地方向 AI 工程师的基本功，它解释了 AI 模型如何从真实世界中持续变强。

目录
  1. 可视化演示
  2. 初识双轨：定义
  3. 运行机制：对比
  4. 场景回传：筛选
  5. 再训练：优化
  6. 飞轮效应：迭代
  7. 工程落地：量产
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

数据飞轮闭环 ——采集→标注→训练→部署→再采集 采集：量产车实时路测数据 标注：自动+人工标注 训练：模型迭代升级 部署：OTA推送到车队 Loop: Data→Label→Train→Deploy→Data

初识双轨：定义

刚拿到驾照的小李坐进王师傅的副驾，心里总在默念：这条路我该怎么走？路边突然窜出的电动车，如果是我，会先踩刹车还是先打方向？他不敢出声，只是在脑子里把自己的选择飞速过一遍。这种“只动脑、不动手”的跟车训练，就是影子模式的雏形。王师傅并不知道，小李每次默念，其实都在悄悄记录自己的判断。

在自动驾驶领域，影子模式（Shadow Mode）指的正是这样一种机制：当一位真实的人类司机驾驶量产车时，自动驾驶算法在后台同步接收传感器数据，实时算出“如果是我的车，我会怎么开”的决策结果。但它不碰方向盘、不踩油门，像影子一样附在车上，只记录、不干预。而数据闭环（Data Closed-loop）把影子模式采集到的差异场景，经过筛选、标注、训练、验证，再部署回车上，形成一个不断自我增强的学习循环。

两者结合，构成量产自动驾驶的持续迭代引擎。用数学语言描述这个引擎最核心的累积过程：

就像小李每跑一趟长途，脑袋里就会多几段“当时要是那样开就好了”的复盘。一年后，他已经不是当初那个一遇加塞就手忙脚乱的新手。数据闭环，就是让自动驾驶系统每跑一万公里，就悄悄聪明一点点。

St+1=St+ΔSt\displaystyle S_{t+1} = S_t + \Delta S_t
这个加法公式把“每轮迭代都让场景库增长一点”浓缩成一句话，道出了数据闭环的复利本质。
  1. 符号 $S_t$第 $t$ 轮迭代后系统拥有的高质量场景总数，可以理解为“学员脑中的疑难案例库规模”。
    StS_t
  2. 增量 $\Delta S_t$本轮新增并标注好的有效场景数量，来自影子模式触发回传后的标注产出。
    ΔSt=St+1−St\Delta S_t = S_{t+1} - S_t
  3. 迭代关系每循环一轮，场景库只增不减；当 $\Delta S_t$ 逼近 0 时，说明系统已很难从路上学到新东西。
    St+1−St→0S_{t+1} - S_t \to 0

运行机制：对比

有一次，小李和王师傅同时上了同一条山路。王师傅在弯道前老远就轻轻收油，小李在脑子里却还想着保持车速。出车后，两人把行车记录仪一对比，发现“小李设想”与“王师傅实操”的最大偏差出现在第三个回头弯。王师傅把这个弯道标记出来：看，这就是你和我差距最大的地方。

自动驾驶的影子模式做同样的事。车载计算单元在人类驾车的同时，持续运行感知与决策网络，生成模型输出 $f(x)$；同时从整车总线读取驾驶员的真实操作 $h(x)$，比如方向盘转角、制动压力。这个对比在每帧数据上发生，但只有差异足够大的帧才值得被保存，因为它们才是能促进能力提升的“疑难弯道”。

触发条件可以形式化为：给定当前场景输入 $x$，当模型决策与人类决策之间的距离超过阈值时，就触发一次记录。

王师傅不会把路上每一秒都拿来教训小李，只有差异明显的那一刻，才值得停车复盘。触发器，就是那个只对“回头弯”敏感的教练。

Trigger(x)=1{d(f(x),h(x))>τ}\displaystyle Trigger(x) = \mathbb{1}\{ d(f(x), h(x)) > \tau \}
这个式子像一个灵敏度旋钮：阈值调低，记录频繁但噪声多；阈值调高，记录稀少但命中率高。
  1. 输入场景 $x$单帧传感器数据与车辆状态，包含图像、点云、车速、转向等，是影子模式要“思考”的路况快照。
    x∈Xx \in \mathcal{X}
  2. 模型决策 $f(x)$自动驾驶算法在后台预测的动作向量，例如期望转向角、目标加速度。
    f(x)∈Rkf(x) \in \mathbb{R}^k
  3. 人类决策 $h(x)$真实驾驶员在同一时刻的实际操作，作为“老司机标准答案”。
    h(x)∈Rkh(x) \in \mathbb{R}^k
  4. 距离度量 $d$衡量两个决策向量的差异，常用欧氏距离或自定义安全差异函数。
    d(a,b)=∥a−b∥2d(a, b) = \| a - b \|_2
  5. 阈值与指示函数 $\mathbb{1}$当差异超过 $\tau$ 时函数取 1，触发回传；否则取 0，丢弃该帧。
    1{d(f(x),h(x))>τ}\mathbb{1}\{ d(f(x), h(x)) > \tau \}

场景回传：筛选

王师傅让小杨把本月的外出行车记录全部整理一遍。小李觉得每段都有学习价值，王师傅却摆摆手：别急着全存。天天重复的直路记了也占地方；只有小路口的激凸、骑手乱窜、前车急刹这些片段，才值得进案例库。

车端每天产生海量数据，但受网络带宽、云端存储和标注人力的限制，必须精挑细选。影子模式触发的事件，首先要经过一套筛选逻辑，评估其新颖度、风险程度和标注成本，分值达标的才回传。这一环节就是场景挖掘的起点，直接决定数据闭环的“食材”质量。

定义场景价值函数：

回传后的数据还不能直接用：先做脱敏（抹掉人脸、车牌），再进入标注池，经质检合格后变成训练样本。这就好比王师傅把挑出来的视频交给剪辑师，去掉无关画面，再配上讲解，才放进案例库。

V(s)=α⋅novelty(s)+β⋅risk(s)−γ⋅cost(s)\displaystyle V(s) = \alpha \cdot \mathrm{novelty}(s) + \beta \cdot \mathrm{risk}(s) - \gamma \cdot \mathrm{cost}(s)
这条式子像采购员的打分表：新颖的分要加，风险的分要加，但处理成本的分要扣，总分高才值得“下单”。
  1. 场景片段 $s$一次影子模式触发的原始数据包，通常包含数秒的时序传感器数据。
    s∈Ss \in \mathcal{S}
  2. 新颖度 $\mathrm{novelty}(s)$与历史样本越不相似，新颖度越高，说明是模型没见过的新问题。
    novelty(s)=1−max⁡s′∈Stsim(s,s′)\mathrm{novelty}(s) = 1 - \max_{s' \in S_t} \mathrm{sim}(s, s')
  3. 风险 $\mathrm{risk}(s)$由规则或预测模型估算的危险程度，如距碰撞时间越短风险越高。
    risk(s)=1TTC(s)\mathrm{risk}(s) = \frac{1}{TTC(s)}
  4. 成本 $\mathrm{cost}(s)$回传流量、存储与标注工时的综合开销。
    cost(s)=λ⋅size(s)+clabel\mathrm{cost}(s) = \lambda \cdot \text{size}(s) + c_{\text{label}}
  5. 加权求和$\alpha, \beta, \gamma$ 根据业务策略调节三者权重，$V(s)$ 高于设定门槛时才回传。
    V(s)=α⋅novelty(s)+β⋅risk(s)−γ⋅cost(s)V(s) = \alpha\cdot\mathrm{novelty}(s) + \beta\cdot\mathrm{risk}(s) - \gamma\cdot\mathrm{cost}(s)

再训练：优化

案例库攒够了，王师傅就带小李在模拟器上反复播放那几段视频，一遍遍讲解正确操作。小李在模拟环境里练上几十遍，再回到真实路段，同样的弯道终于能从容通过了。

对模型来说，这一步就是再训练。新增标注场景先经过数据增强（翻转、裁剪、亮度扰动等）扩展成虚拟样本，再与原有训练集混合，在预训练模型上进行增量微调，更新网络权重。微调使用的损失函数很常规：

训练完还不能直接上车，先做回归测试：把历史老题和新增题放在一起考一次。新版本只有在总分不降、新题有明显进步时才允许上岗。这就像小李模拟考和路考都达标，王师傅才敢让他单独出车。

L(θ)=1N∑i=1Nℓ(fθ(xi),yi)\displaystyle \mathcal{L}(\theta) = \frac{1}{N}\sum_{i=1}^{N} \ell(f_\theta(x_i), y_i)
损失函数像考试卷上的“标准答案差距”汇总，模型通过反复答题把平均差距降到最低。
  1. 模型参数 $\theta$神经网络里所有可学习权重，训练过程就是不断修改这些参数。
    θ∈Θ\theta \in \Theta
  2. 预测输出 $f_\theta(x_i)$模型对第 $i$ 个样本的决策估计，对应“学员的预演操作”。
    y^i=fθ(xi)\hat{y}_i = f_\theta(x_i)
  3. 真实标注 $y_i$人类操作或人工标注的目标值，是“老司机的实际答案”。
    yi∈Yy_i \in \mathcal{Y}
  4. 单样本损失 $\ell$衡量预测与真实偏差的标量，常用交叉熵或平滑 L1。
    ℓ(y^i,yi)∈R≥0\ell(\hat{y}_i, y_i) \in \mathbb{R}_{\ge 0}
  5. 平均损失$\mathcal{L}$在新增标注批次上求平均，作为梯度下降的优化目标。
    L(θ)=1N∑i=1Nℓ(fθ(xi),yi)\mathcal{L}(\theta) = \frac{1}{N}\sum_{i=1}^{N}\ell(f_\theta(x_i), y_i)

飞轮效应：迭代

小李半年后成了车队里进步最快的年轻人。因为他每次出车都会带回几个新问题，王师傅的案例库越攒越厚，教出来的小孙、小周也进步飞快。整个车队的水平像滚雪球一样涨，这就是飞轮。

自动驾驶的数据飞轮是同一原理。一个模型版本部署到车队后，影子模式继续采集新场景；新场景经过筛选和标注扩充训练集；训练出的新模型评估合格后再次部署；车队能力增强，于是又能发现更复杂的长尾场景。如此循环，数据规模、模型能力与用户价值互相推动。

飞轮的收益可以用学习曲线建模：

前半年数据增长带来能力暴涨，后半年涨势放缓，说明长尾场景越来越稀疏。此时场景挖掘策略和质量评估机制就要换挡：从堆数量转向抠质量。飞轮转起来了，但需要持续为它加油。

P(t)=P0+klog⁡2(Dt)\displaystyle P(t) = P_0 + k \log_2(D_t)
这个式子说明数据量的价值是边际递减的：规模翻倍只带来固定增益，所以追求场景质量比盲目堆量更重要。
  1. 初始性能 $P_0$第一个量产版本的安全或性能基线，对应“新手上路时的原始水平”。
    P0∈RP_0 \in \mathbb{R}
  2. 数据规模 $D_t$第 $t$ 轮场景库中可用的标注数据总量，等于案例库里的有效视频数。
    Dt=∣St∣D_t = |S_t|
  3. 效率系数 $k$数据到能力的转化率，取决于标注质量、训练算法与场景分布。
    k>0k > 0
  4. 对数增长数据量每翻一倍，性能提升一个固定步长；越往后，长尾场景越稀，继续堆量的收益越有限。
    P(t)=P0+klog⁡2DtP(t) = P_0 + k\log_2 D_t

工程落地：量产

小李终于能独立跑车了，但车队规模扩大到上千人后，新问题来了：每辆车的行驶记录不能随意保存，涉及乘客隐私；软件升级不能再像以前一样拍脑袋，必须过安全评审并留档。

量产环境下的影子模式跑在百万量级车端，受车端算力限制，不可能全量回传；受隐私法规约束，人脸、车牌必须先脱敏；受商业成本约束，上传流量要控制。因此，影子模式的回传策略必须与云端数据处理能力、标注产能、合规要求联动设计。

新模型发布也需要一套硬性的判定条件：

王师傅带徒弟有个规矩：只有模拟考和路考都达标的人，才有资格单独开车。自动驾驶的 OTA 发布同样是先过回归测试、再过风险评估，双门把关才能解锁新技能。

Release=1{ACCreg≥ACCbase∧ΔRisk≤ϵ}\displaystyle Release = \mathbb{1}\{ \mathrm{ACC}_{reg} \ge \mathrm{ACC}_{base} \land \Delta Risk \le \epsilon \}
发布不是“感觉更好了就上”，而是“老考卷不丢分，新风险不超标”双门同时通过，才能放行。
  1. 回归精度 $\mathrm{ACC}_{reg}$新模型在历史回归测试集上的综合精度，代表“老题的正确率”。
    ACCreg∈[0,1]\mathrm{ACC}_{reg} \in [0,1]
  2. 基线精度 $\mathrm{ACC}_{base}$当前已量产版本的门槛精度，是硬性对比基准。
    ACCbase∈[0,1]\mathrm{ACC}_{base} \in [0,1]
  3. 风险增量 $\Delta Risk$新版本在新增场景风险评估中相比基线的风险变化，正值表示风险上升。
    ΔRisk=Risknew−Riskbase\Delta Risk = Risk_{new} - Risk_{base}
  4. 可接受上限 $\epsilon$由法规、保险和内部安全标准确定的风险容忍阈值。
    ϵ>0\epsilon > 0
  5. 发布判定式两个条件同时满足时 $Release=1$，模型才获准通过 OTA 推送给车队。
    Release=1{ACCreg≥ACCbase∧ΔRisk≤ϵ}Release = \mathbb{1}\{ \mathrm{ACC}_{reg} \ge \mathrm{ACC}_{base} \land \Delta Risk \le \epsilon \}

AI 应用场景

量产车队的“副驾学员”

阶段：数据采集与在线监控

解决的问题：传统自动驾驶公司依赖自建测试车队采集数据，成本高、覆盖面窄，难以获得真实用户驾驶中的极限场景。影子模式让量产车变成不领工资的数据采集员，只上传差异大的片段，低成本获得长尾场景。

具体案例：某 Robotaxi 公司在 500 辆运营车上启动影子模式，一个月回传 12 万段高风险路口片段。经过筛选与标注后，模型对“无保护左转”场景的平均接管距离提升 23%。

云端场景挖掘工作室

阶段：场景筛选与标注

解决的问题：回传数据仍含大量相似样本，直接全量标注会浪费人力。利用价值函数自动排序，让标注产能聚焦到真正稀缺的场景，这就是数据闭环中的“场景挖掘策略”。

具体案例：数据平台对 10 万段回传场景做聚类，发现“施工锥桶与洒水车喷雾共存”在真实路网中占比不足 0.1%，但模型误判率极高。优先标注该场景后，两轮迭代识别准确率从 72% 升至 91%。

OTA 发布前的安全双闸门

阶段：模型评估与合规发布

解决的问题：手机 App 可以随意更新，但车辆 ECU 软件更新必须考虑安全与合规。回归测试和风险评估双门把关，避免模型回退和安全事故。

具体案例：某车企新版本在回归测试中“夜晚逆光会车”指标下降 1.2%，触发发布阻断。补训 5000 段样本后，该指标反升 2.0%，随后通过脱敏审核与监管备案，分批推送至车队。

Python 演示

python47 行
import numpy as np # 模拟影子模式：人类策略是真实映射，模型策略是可学习的线性近似# 每轮影子模式产生随机场景，只有差异大的场景才回传并加入训练池 def human_policy(X):    return np.sin(X[:, 0]) + 0.1 * X[:, 1] def predict(X, w):    return X @ w np.random.seed(42) # 初始少量训练数据X_train = np.random.uniform(-1, 1, (10, 2))y_train = human_policy(X_train) w = np.linalg.pinv(X_train.T @ X_train) @ X_train.T @ y_train scene_pool_X = []scene_pool_y = [] for epoch in range(8):    # 线上产生一批影子场景    X_s = np.random.uniform(-1, 1, (30, 2))    y_h = human_policy(X_s)    y_m = predict(X_s, w)    diff = np.abs(y_m - y_h)    threshold = np.percentile(diff, 80)  # 只回传差异最大的 20%    mask = diff >= threshold    X_new = X_s[mask]    y_new = y_h[mask]     # 回传并加入场景池    scene_pool_X.extend(X_new.tolist())    scene_pool_y.extend(y_new.tolist())     # 增量训练    X_all = np.array(scene_pool_X + X_train.tolist())    y_all = np.array(scene_pool_y + y_train.tolist())    w = np.linalg.pinv(X_all.T @ X_all) @ X_all.T @ y_all     # 评估模型与人类平均差异    X_eval = np.random.uniform(-1, 1, (100, 2))    y_eval_h = human_policy(X_eval)    y_eval_m = predict(X_eval, w)    print(f"第{epoch+1}轮 回传{len(X_new):2d}个场景 平均差异: {np.mean(np.abs(y_eval_m - y_eval_h)):.4f}")
目的：用线性回归模拟“影子模式→场景回传→增量训练→能力提升”的数据闭环，直观展示每一轮筛选出的差异场景如何让模型逐步逼近人类策略。
  1. diff = np.abs(y_m - y_h)计算模型预测与人类操作之间的绝对差异，对应影子模式的双轨对比。
  2. threshold = np.percentile(diff, 80)给出 80% 分位阈值，只有差异最大的 20% 场景才被回传，模拟价值筛选。
  3. mask = diff >= threshold布尔掩码标出触发回传的场景，类似公式中的指示函数。
  4. scene_pool_X.extend(X_new.tolist())把回传场景加入场景池，对应标注后入库。
  5. w = np.linalg.pinv(X_all.T @ X_all) @ X_all.T @ y_all用最小二乘重新训练模型，完成增量再训练。
  6. print(f"第{epoch+1}轮...")输出每轮平均差异，观察飞轮效应下模型能力是否逐渐提升。

常见误区

误区很多初学者以为开启影子模式后，汽车就进入自动驾驶状态，AI 在驾驶，人只是摆设。

正解影子模式全程不干预控制。它像副驾上的学员，只在脑子里练习，方向盘和刹车始终在人类驾驶员手中。真正接管车辆的是“主模式”；影子模式的意义在于采集高质量对比数据，而不是驾驶车辆。

为何常见：“影子”两个字容易让人联想到分身驾驶，加上不少演示视频渲染了 AI 判断过程，造成误解。

误区认为只要无限增加采集数据，模型能力一定线性提升，所以回传数据照单全收。

正解数据增幅对模型收益是递减的，低质量冗余数据反而稀释训练效率。飞轮的关键是场景挖掘和质量评估，用价值函数筛选高新颖度、高风险的稀缺样本，而不是囤积海量重复数据。

为何常见：直觉上“量大出奇迹”，且自动驾驶宣传常强调路测里程，让人忽视数据质量维度。

误区训练一次模型并部署后，系统就能长期保持稳定，不需要再迭代。

正解道路环境不断变化，长尾场景无穷尽，模型必须通过数据闭环持续更新。每一版新模型部署后仍要运行影子模式继续发现遗漏，循环往复，飞轮永不停转。

为何常见：传统软件“发版即完结”的思维惯性，与自动驾驶需要终身学习的本质冲突。

误区影子模式把车内所有数据全部上传，严重侵犯隐私。

正解量产车影子模式在端侧先做场景筛选和静态脱敏（车牌、人脸模糊化），再经用户授权与合规审查后上传。回传链路有匿名化、加密、最小化原则等保护措施，并不是裸传全量数据。

为何常见：媒体报道经常强调数据采集风险，容易让人忽略工程上的脱敏与合规设计。

面试题

Q1. 影子模式的正确描述是？

单选题 · easy

  • A.影子模式激活后系统接管驾驶
  • B.影子模式在后台记录并对比决策← 正确答案
  • C.影子模式只用于真实路测
  • D.影子模式需要人工全程监督

答案：B。影子模式不接管车辆，只在后台同步记录模型决策与人类操作并做对比，因此 A 错误、B 正确。它同样可用于量产车在线运行，不仅限于真实路测，C 错误；影子模式本身不需要人工监督，D 错误。

Q2. 数据闭环中“场景回传”的核心目标是？

单选题 · easy

  • A.节省云端存储和带宽成本
  • B.挖掘有标注价值的长尾场景← 正确答案
  • C.完全代替人类驾驶员决策
  • D.实时更新地图与导航信息

答案：B。场景回传不是单纯的省成本，而是通过筛选把高价值长尾场景送到标注与训练流程，B 正确。省成本只是附加效果，A 不是核心目标；回传不代表代替人类决策，C 错误；地图更新不在数据闭环范畴，D 错误。

Q3. 影子触发条件中的 τ 的作用是？

单选题 · mid

  • A.权衡场景新颖度与风险
  • B.设定人类行为的期望输出
  • C.决定人类与模型差异的接受阈值← 正确答案
  • D.控制模型参数更新频率

答案：C。τ 是差异阈值，决定人类决策与模型决策相差多大才触发回传，C 正确。权衡新颖度与风险是价值函数的权重，A 错误；τ 不设置人类输出，B 错误；模型参数更新频率与学习率有关，D 错误。

Q4. 场景回传前必须进行哪一步以保证合规？

单选题 · mid

  • A.数据脱敏与匿名化处理← 正确答案
  • B.压缩为最低分辨率视频
  • C.立即发布到公共数据集
  • D.删除所有雷达原始数据

答案：A。涉及行人、车牌等隐私信息时，必须先做脱敏与匿名化处理，A 正确。压缩分辨率不是合规要求，B 错误；发布到公共数据集反而泄露隐私，C 错误；删除雷达原始数据既非必要也非合规要求，D 错误。

Q5. 增量训练后的模型要上线部署，需要满足？

单选题 · mid

  • A.新场景精度高于旧版本即可
  • B.回归测试精度不低于基线版本← 正确答案
  • C.训练样本数量达到十亿级
  • D.路测里程超过一年

答案：B。上线必须同时满足回归测试不降级和风险不超标，其中回归精度不低于基线是关键门槛，B 正确。只关注新场景精度可能忽略旧场景回退，A 错误；样本数量与部署条件没有硬性数值关系，C 错误；路测里程不是唯一发布依据，D 错误。

Q6. 数据飞轮中质量评估机制的首要目的是？

单选题 · hard

  • A.决定该轮迭代是否值得发布← 正确答案
  • B.计算标注工人每日薪资
  • C.为广告推荐提供训练样本
  • D.提升云端服务器利用率

答案：A。质量评估机制用于衡量新模型在历史与新场景上的表现，是版本能否发布的决策依据，A 正确。薪资由人力系统计算，B 错误；自动驾驶数据闭环与广告推荐无关，C 错误；服务器利用率不是评估目的，D 错误。

Q7. 影子模式相比离线数据采集的优势是？

单选题 · easy

  • A.能大规模获取驾驶行为差异场景← 正确答案
  • B.可以完全避免交通事故发生
  • C.不需要车载传感器系统
  • D.能够无视交通法规行驶

答案：A。影子模式部署在量产车上，能以极低成本大规模收集真实路况下的行为差异，A 正确。它不干预驾驶，不能避免事故，B 错误；它依赖车载传感器，C 错误；任何系统都不能无视交通法规，D 错误。

Q8. 以下哪些属于影子模式回传场景的筛选指标？

多选题 · mid

  • A.场景出现频率并去重← 正确答案
  • B.场景风险等级评估← 正确答案
  • C.场景新颖度计算← 正确答案
  • D.数据上传流量上限

答案：ABC。回传筛选关注新颖度、风险、出现频率等，ABC 都是价值评估的常用指标。数据上传流量上限是工程约束条件，不是筛选指标，D 不选。

Q9. 关于“回归测试”描述正确的有？

多选题 · hard

  • A.检测新模型在历史样本上是否退步← 正确答案
  • B.通常包含原有评估测试集← 正确答案
  • C.只关注新增场景的表现
  • D.是模型发布前的必要验证← 正确答案

答案：ABD。回归测试用原有测试集检测新模型是否退步，并且是发布前的必要验证，ABD 正确。如果只关注新增场景，就会漏掉历史场景的回归风险，C 错误。

Q10. 数据闭环量产落地可能面临的工程挑战有？

多选题 · extreme

  • A.车端算力与存储资源有限← 正确答案
  • B.隐私保护与数据合规要求← 正确答案
  • C.长尾场景分布极其稀疏← 正确答案
  • D.不需要模型版本管理

答案：ABC。车端资源限制、隐私合规、长尾场景稀疏正是量产落地的三大挑战，ABC 正确。模型版本管理是安全发布的基础保障，D 说法错误。