模型改进 ROI：换模型的这笔账，到底怎么算？

CH-13-01-058·约 17 分钟·数据科学与数据工程·更新 2026-08-11

奶茶街上有两家店。阿强的“强记奶茶”靠一款经典珍珠奶茶打天下，配方稳定、口味在线，但生意一直不温不火。隔壁老王三年内换了五台制茶机，门店从 20 平扩到 80 平，看起来风风火火，年底一算账，利润反而倒亏三万。问题出在哪？老王只盯着“设备更好了、奶茶更香了”，却从没算过一笔账：每多投入一块钱，到底换回来了几块钱的收益。这就是模型改进 ROI（投资回报率）要回答的问题。无论是换更大的模型、增加训练数据、重构模型架构，每一项改进都在消耗算力、人力和真金白银。这些投入真正换来多少业务收益？有没有哪天“改模型”再也赚不回来了？本文用阿强开店的故事，帮你建立一套算账的直觉方法，学会在模型改进和数据投入之间找到最划算的那条路。

岗位关联

学完本文，你能用 ROI 的标尺衡量任何一次模型升级值不值，在“改模型”与“投数据”的十字路口做出有数据支撑的决策——这是 AI 技术决策者最关键的资源分配能力。

可视化演示
1. ROI 衡量方法
2. 算力成本核算
3. 模型规模权衡
4. 数据投入对比
5. 架构创新评估
6. 天花板效应
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

动态演示换模型能赚多少？模型改进RO的核心机制，通过开始/执行/监控/完成四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

换模型能赚多少？模型改进RO：模型改进模型改进ROI的核心概念与计算换更大模型的性能提升与算力成本核心机制可视化换模型能赚多少？模型改进RO整体架构与关键组件

1. ROI 衡量方法

阿强想给奶茶店换一台自动封口机，售价 2 万块。他盘了盘账：换设备后出杯更快，每天能多卖 30 杯，每杯净赚 5 块，一个月多赚 4500 块。机器钱四个多月回本，之后全是赚的。这账一算，买！这个朴素直觉，就是 ROI 的雏形：我花的每一块钱，能赚回几块？

在 AI 模型改进的语境里，“换封口机”就是升级模型——换更大的底座、加更多参数、换新架构。而“多卖的 30 杯”是收益增量，“机器钱加电费”是投入增量。技术团队天天说“效果提升了 3 个点”，但这 3 个点值多少钱？没人折算成钱，账就永远是一笔糊涂账。

把直觉写成公式，ROI 衡量的是每单位投入带来的净收益倍数。注意分子必须是“净增量”——收益增量减去投入增量，而不是只看收益。分母是投入增量本身。这个比值大于 1，说明净收益为正；小于 1 说明这笔投入在亏钱。

阿强在账本上郑重写下这个公式，又看了一眼隔壁老王的店。老王三年换了五台机器，每台机器只让销量涨两三个点，早就跨过了回本线——这就是不会算 ROI 的代价。

\displaystyle ROI = \frac{R_{\text{增量}} - C_{\text{增量}}}{C_{\text{增量}}}

ROI 大于 1 意味着投入一块钱挣回超过一块钱的净收益；小于 1 则连本都收不回来。

收益增量 R改进后相比改进前，业务上多赚的钱。比如新模型让月收入从 100 万涨到 105 万，增量就是 5 万。
$R_{\text{增量}} = R_{\text{新}} - R_{\text{旧}}$
投入增量 C为这次改进付出的全部额外成本，包括算力、人力、时间等。
$C_{\text{增量}} = C_{\text{训练}} + C_{\text{推理}} + C_{\text{人力}}$
分子相减先算出净赚了多少，再考虑比例关系。
$\text{净增量} = R_{\text{增量}} - C_{\text{增量}}$
除以 C 增量把净增量归一化成“每一块钱投入的回报”，方便横向比较不同方案。
$\text{单位回报} = \dfrac{\text{净增量}}{C_{\text{增量}}}$

2. 算力成本核算

阿强买第二台封口机的时候学精了，不仅看标价，还把电费、维修、师傅保养都列进账本。设备买回来三天两头坏，省下的工钱全赔进维修费，那就是“便宜买贵用”。算力成本也有同样的陷阱：只看训练账单，会严重低估一次模型升级的真实开销。

算力成本分两块：一块是一次性的训练成本，就像买机器的钱——GPU 租用、训练实验的反复试错，跑一次失败重来一次，账单翻倍。另一块是长期摊薄的推理成本，就像持续的电费——模型上线后每秒都在烧钱，每次用户调用都要消耗一次算力，日积月累相当可观。

把两本账合起来，总成本等于一次性训练成本加上单位推理成本与调用次数、服务天数的乘积，另外别忘了背后改模型、调参数的工程师人力。

阿强在账本上把电费一栏画了三道线：一台奶茶机的电费一年下来竟比机器本身还贵！他从此明白，买设备前必须问一句——这台机器的“电费”我供得起吗？

\displaystyle C_{\text{总}} = C_{\text{训练}} + C_{\text{推理}} \times N \times D + C_{\text{人力}}

训练成本是冰山露出的尖角，推理成本是水下巨大的山体——模型服务时间越长，推理成本占比越高。

C 训练（训练成本）一次训练过程消耗的 GPU 费用，还要乘以实验次数。
$C_{\text{训练}} = \text{GPU单价} \times \text{训练时长} \times \text{实验次数}$
C 推理（单位推理成本）每次调用模型消耗的算力成本，与模型大小、硬件类型相关。
$C_{\text{推理}} = \text{单次算力开销} \times \text{硬件单价}$
N 与 D（调用量与天数）日均调用次数乘服务天数，就是总推理次数。
$\text{总推理次数} = N \times D$
C 人力（人力成本）算法工程师、测试、运维投入到这次改进的工时成本，常被忽略却真实存在。
$C_{\text{人力}} = \text{参与人数} \times \text{工时} \times \text{时薪}$

3. 模型规模权衡

阿强想着把店面从 30 平扩到 60 平，租金翻倍，他美滋滋地盘算客流也会翻倍。结果呢？客流量只涨了四成，因为这条奶茶街的客流就那么多，店面再大，走过的客人也不会凭空多出来。模型规模也有同样的“店面魔咒”。

模型参数量从 700 亿涨到 1300 亿，几乎翻倍，算力成本按近似三次方的速度飙升——训练时间变长、显存需求变大、推理变慢。可换来的性能提升呢？准确率可能只涨了零点几个百分点。收益是亚线性的：规模翻倍，收益只是“加了一个常数”式的缓慢爬升。

这就是模型规模的两个基本定律：收益随规模对数增长，成本随规模超线性增长。两条曲线的剪刀差，决定了每个模型都存在一个“最优规模甜点区”——过了这个点，再堆参数就是烧钱换吆喝。

阿强最终只租了 45 平的店面——虽然没吃到“翻倍”的红利，但每平米的利润是全街最高的。规模不是越大越好，而是在“多赚的钱”和“多付的租”之间找到平衡点。

\displaystyle \text{收益} \propto \ln(S), \quad \text{成本} \propto S^{\alpha} \quad (\alpha > 1)

参数量 S 翻倍时，收益只增加一个常数项，而成本却以指数级放大——规模的红利被成本迅速吞噬。

S（模型规模）通常指参数量，也可以理解为模型容量。
$S = \text{参数量}$
ln(S)（亚线性收益）收益随 S 呈对数增长，S 从 1 到 10 收益加 2.3，从 10 到 100 才再加 2.3。
$\text{收益} = k \times \ln(S) + b$
S^α（超线性成本）α 通常大于 1，实践中接近 2 甚至更高，S 翻倍时成本可能翻 4 倍以上。
$\text{成本} = c \times S^{\alpha}$
剪刀差（决策依据）收益与成本的差先增大后减小，差值最大处就是最优规模。
$\text{净收益}(S) = \text{收益}(S) - \text{成本}(S)$

4. 数据投入对比

阿强的账本上，除了买设备这一栏，还有另一笔一直没认真算的账：把奶茶的奶源从普通鲜奶升级成有机鲜奶，再请人把珍珠的配方调得更 Q 弹。这些“原材料升级”花不了大钱，但老顾客明显更爱来了。在 AI 里，这就是数据投入——采集、清洗、标注。它常被技术团队轻视，却在很多场景下比换模型更划算。

数据投入的成本结构很清晰：采集是获取原始材料的钱，清洗是去重、去噪、格式化的整理费，标注是给每条样本“贴标签”的人工费。相比动辄上千万的模型训练，一份高质量数据集的成本往往低一个量级，但提升同样可观。

计算数据投入的 ROI，套用同一把标尺：收益增量就是指标提升换来的业务价值，成本增量就是采集、清洗、标注的总和。把模型改进的 ROI 和数据投入的 ROI 摆在天平两端，会出现一个关键“转向点”——前期投模型回报高，后期模型收益饱和后，投数据的回报反而超过继续堆模型。

阿强在账本上画了一条街，街的一头是“换设备”，另一头是“换奶源”。他把预算分成两半投下去，三个月后一算，奶源升级带来的回头客增量，竟然比新封口机多一倍。他感叹：原来投入的方向，比投入的力度更重要。

\displaystyle C_{\text{数据}} = C_{\text{采集}} + C_{\text{清洗}} + C_{\text{标注}}

数据投入三件套的成本通常远低于一次大模型训练，但可能在指标上带来旗鼓相当的提升——这正是它高 ROI 的秘密。

C 采集（采集成本）拉取新样本、购买公开数据集、从日志里捞数据的费用。
$C_{\text{采集}} = \text{样本量} \times \text{单位获取成本}$
C 清洗（清洗成本）去重、去噪、格式统一、异常值处理，按耗时计费。
$C_{\text{清洗}} = \text{数据量} \times \text{单位处理耗时} \times \text{工时单价}$
C 标注（标注成本）每条样本人工打标签的费用，或半自动标注的验证成本。
$C_{\text{标注}} = \text{标注条数} \times \text{单价}$
对比决策算完数据 ROI 后与模型 ROI 并排比较，选出更大的那个。
$\text{方案选择} = \arg\max(ROI_{\text{模型}}, ROI_{\text{数据}})$

5. 架构创新评估

阿强做了一个大胆决定：不买设备也不换奶源，而是花两个月研发一款“季节限定·桂花酒酿奶茶”。这是个高风险赌注——可能爆红，也可能无人问津。但一旦成功，这套新配方能卖一整季，还能带动其他单品销量。在 AI 里，架构创新就是这样的“新配方”：代价高昂、结果不确定，但一旦成功就是复利效应。

架构创新的评估难点在于不确定性。没法像买设备那样精准算回本周期，只能引入“成功概率”——根据团队经验、论文验证、小规模实验的结果，估计创新方案有多大概率真的有效。然后算期望收益：年化收益乘以预期持续年限，再乘成功概率，最后减去研发总成本，就是这笔创新的期望净收益。

阿强的新配方在第二周意外爆红，单店日销翻了 1.5 倍，还吸引来商场邀约开分店。他暗自庆幸：那次“赌配方”的成功概率其实只有三成，但一旦成了，收益是普通设备改造的十倍以上——这就是架构创新的不对称回报。

\displaystyle E = P \times (A \times Y) - C_{\text{研发}}

架构创新是期望值游戏：成功率 P 越低、研发成本 C 越高，越要谨慎；但成功后 A×Y 的复利回报远超一次普通模型升级。

P（成功概率）架构创新真实有效的概率，通过小规模实验和消融研究来估计。
$0 \le P \le 1$
A（年化收益）创新落地后每年带来的增量收益，包括效果提升和效率节省。
$A = \text{增量收益}_{\text{每年}}$
Y（收益年限）新架构能持续产生收益的年数，架构红利通常会随时间被追赶褪色。
$\text{总收益} = A \times Y$
C 研发（研发成本）实验试错、工程实现、全面验证的所有投入，无论成败都要付。
$C_{\text{研发}} = \text{人力} + \text{算力} + \text{时间成本}$
期望净收益概率加权后的总收益减去沉没成本，决定要不要押注。
$E = P \times (A \times Y) - C_{\text{研发}}$

6. 天花板效应

阿强的店运营一年后发现一个扎心现象：无论再怎么装修、再升级配方，日营业额始终卡在 8000 块上下。因为这条奶茶街的客流上限就在那里，下午三点的队伍已经排到了隔壁药店门口，再好吃顾客也挤不进来了。这就是天花板。AI 模型的性能提升，同样有绕不过去的天花板。

模型的天花板由几个因素共同抬升：数据本身的噪声上限、架构的表达能力上限、任务本身的不可分性。当你发现准确率卡在某个水平怎么都上不去，每提升 0.1 个百分点都要烧掉翻倍的算力时——你已经撞上了性能饱和曲线。更糟的是，最后几个百分点的提升，代价常常是前面所有提升的成本总和。

用数学语言说：当累计投入不断增大，收益的边际增量趋近于零，甚至偶尔出现负收益（过拟合、维护成本上升、延迟增加）。这时理性的决策不是继续砸钱，而是止损——把预算转向还没有饱和的地方，那个地方往往就是数据投入。

阿强最终接受了“8000 块天花板”的现实，不再折腾店面，而是把预算投向研发外卖配方和线上小程序——换了一条增长曲线。奶茶街的客流有顶，但外卖的客群没有顶。模型的天花板，也不该是团队的天花板。

\displaystyle \lim_{C \to C_{\text{max}}} \frac{\partial R}{\partial C} = 0

当投入逼近天花板时，每多花一块钱几乎换不来任何收益提升——继续砸模型是无效投入，转向数据才可能打开新空间。

R（累计收益）模型效果随投入增长而增长的累计曲线。
$R = f(C)$
C（累计投入）为模型改进付出的所有算力、人力、时间总和。
$C = \text{累计成本}$
∂R/∂C（边际收益）最后一单位投入带来的收益变化，当它趋近于 0 就是饱和信号。
$\text{边际收益} = \dfrac{\Delta R}{\Delta C} \approx 0$
C max（天花板投入）收益达到上限后，再多的投入都无法突破的那个临界点。
$C_{\text{max}} = \text{性能饱和时的投入量}$

AI 应用场景

大模型选型与升级决策

阶段：模型选择与部署

解决的问题：技术团队面对“要不要从开源小模型换成商业大模型”的纠结。传统方式只对比 Benchmark 分数，导致换了大模型后 GPU 账单暴涨、延迟变长，业务收益却寥寥无几。用 ROI 方法把准确率提升换算成业务收入增量，再减去训练和推理成本，就能量化“换模型到底赚不赚钱”。

具体案例：某客服 AI 供应商在对比模型 A 与模型 B 时发现，B 的意图识别率高出 2.1 个百分点，可每千次调用成本是 A 的 3 倍、延迟翻倍。按日均 200 万次调用计算，B 的年推理成本多出 430 万元，而 2.1% 的识别率提升只会减少约 300 万转人工成本——ROI 为负，最终决策保留模型 A。

数据质量投入的预算分配

阶段：数据准备

解决的问题：数据团队常被认为是“成本中心”，申请预算时总被质疑。传统做法是领导拍脑袋分配“模型七成、数据三成”，缺乏依据。用 ROI 框架对比数据清洗项目和模型升级项目的回报，能让数据投入的价值显性化。

具体案例：某电商搜索团队发现，花 60 万元清洗用户点击日志、补充长尾商品标注，搜索点击率提升了 3.8%；而花 500 万元把排序模型从 1 亿参数扩到 3 亿参数，点击率只提升 1.2%。数据投入 ROI 远超模型升级，预算委员会随即把下季度 70% 的资源调向数据优化。

推理链路成本优化

阶段：模型服务与运维

解决的问题：模型上线只是开始，每天数亿次调用的推理成本才是长期压力。传统方式优化推理靠“拍脑袋换更贵的 GPU”，缺乏对推理成本明细的核算。用算力成本核算公式拆分训练、推理、人力成本，能精准定位成本大头。

具体案例：某金融风控平台发现，模型升级后推理成本占全年 AI 总成本的 68%，远超一次性训练费。通过量化每一笔调用的单位成本，团队决定采用小模型蒸馏方案，在保持 95% 召回率的前提下将单位推理成本降低 52%，全年节省 760 万元。

Python 演示

python42 行

def calc_roi(extra_cost, extra_revenue):    """计算增量投入的回报率"""    if extra_cost <= 0:        raise ValueError("投入增量必须大于 0")    return (extra_revenue - extra_cost) / extra_cost  def evaluate_improvement(name, metric_gain, metric_value,                         train_cost, infer_delta, daily_calls, days):    """评估一个改进方案的 ROI"""    extra_revenue = metric_gain / 100.0 * metric_value    infer_cost = infer_delta * daily_calls * days    total_cost = train_cost + infer_cost    roi = calc_roi(total_cost, extra_revenue)    print("【%s】" % name)    print("  收益增量: %.0f 万元" % extra_revenue)    print("  成本增量: 训练 %.0f + 推理 %.0f = %.0f 万元" % (        train_cost, infer_cost, total_cost))    print("  ROI: %.2f" % roi)    return roi  if __name__ == "__main__":    metric_value = 500000   # 指标每提升 1% 的业务价值（万元）    days = 365              # 服务周期（天）    daily_calls = 500000    # 日均调用次数     model_roi = evaluate_improvement(        "模型架构升级", metric_gain=3.5,        train_cost=8000, infer_delta=0.000002,        daily_calls=daily_calls, days=days)     data_roi = evaluate_improvement(        "数据清洗与补充", metric_gain=2.0,        train_cost=1200, infer_delta=0,        daily_calls=daily_calls, days=days)     print("")    if model_roi > data_roi:        print("结论：当前阶段模型改进的 ROI 更高，优先升级模型。")    else:        print("结论：当前阶段数据投入的 ROI 更高，优先优化数据。")

目的：一个小型决策工具，输入两个改进方案的指标增益与成本，自动计算并对比各自的 ROI，给出“投模型还是投数据”的建议。

def calc_roi(extra_cost, extra_revenue):核心 ROI 函数，用（收益增量 - 成本增量）÷ 成本增量，得到每单位投入的净回报。
extra_revenue = metric_gain / 100.0 * metric_value把指标提升的百分点换算成业务收益，比如提升 3.5% 乘以每个百分点的价值。
infer_cost = infer_delta * daily_calls * days摊算推理成本：单次调用增量成本 × 日调用量 × 服务天数，这就是“细水长流”的电费账单。
total_cost = train_cost + infer_cost训练成本是一次性投入，推理成本是长期摊销，二者相加才是完整投入。
if model_roi > data_roi:输出最终决策建议，用同一把标尺比较两个方向的投入产出。

常见误区

误区“参数从 70 亿涨到 130 亿，效果肯定更好，花这钱值！”很多技术团队默认模型越大越好，以为指标提升等于利润提升，从不细算成本。

正解模型规模带来的收益是亚线性的，参数翻倍可能只换来 0.5 个百分点的提升；而算力成本是超线性增长，参数翻倍成本可能要翻 3 到 4 倍。就像把 30 平的奶茶店扩到 60 平，租金翻倍，客人只多四成——账算下来反而亏。规模必须停在“收益减成本”最大的甜点区。

为何常见：厂商宣传和排行榜竞争放大了“大模型崇拜”，让大家只盯着上限，忽略了最优经济点。

误区“训练花了 800 万，好心疼，但训完就完事了，推理服务器不贵。”很多团队做预算时只把训练算力计入成本，上线后的推理开销被当作“运维小事”。

正解推理成本是按天烧的：单次调用哪怕只多花 0.000002 万元，日均 50 万次调用一年就是 365 万。大模型推理比小模型慢、贵，时间越长差距越大。完整的成本账必须包含训练一次性成本加推理长期摊销，否则会严重高估 ROI，做出错误的上线决策。

为何常见：训练成本是一笔看得见的“大钱”，冲击力强；推理成本是每天几万块的“细水长流”，不容易引起警觉。

误区“准确率从 90% 涨到 93%，涨了 3 个点，那收益也涨 3%，投入肯定值。”这是最常见的技术思维惯性——把技术指标直接映射成业务收益。

正解准确率是技术指标，收益是业务指标，两者之间隔着复杂的换算。错误率从 10% 降到 7% 实际上是错误量减少 30%，可能在客服转接、质检拦截等场景带来远超 3% 的业务提升；反之，如果任务已经是 95% 准确率，那 3 个点的提升可能只影响极少数的边缘用户。正确做法是先把准确率提升折算成钱，再算 ROI。

为何常见：算法工程师长期用准确率、F1 等指标衡量模型，习惯了“指标高 = 模型好”的单一思维，忽略了商业闭环。

面试题

Q1. 模型改进 ROI 的正确计算方式是？

单选题 · easy

A.净收益增量除以投入增量← 正确答案
B.总收益除以总投入成本
C.收益增量减去投入增量
D.投入增量除以净收益增量

答案：A。ROI 衡量每单位投入带来的净回报，分子是（收益增量 - 投入增量）即净收益增量，分母是投入增量。B 缺少“增量”视角，C 只是减法没有归一化，D 把比例关系倒置了。

Q2. 下列哪项属于模型推理成本？

单选题 · mid

A.GPU 按小时租用费用
B.数据标注人员工资
C.线上每次调用的开销← 正确答案
D.模型训练实验次数

答案：C。推理成本是模型上线后每次被调用消耗的算力。A 是训练或部署时的算力租用，B 是数据成本，D 是训练阶段的试错成本，都不属于推理链路上的持续开销。

Q3. 模型参数量翻倍时，算力成本大致如何变化？

单选题 · mid

A.线性增加一倍的账
B.超线性增长数倍的账← 正确答案
C.对数级增长一小部分
D.几乎不增加多少成本

答案：B。模型参数量 S 翻倍时，训练与推理的算力成本近似 S 的超线性增长（实践中接近平方甚至立方），意味着成本可能涨 3 到 4 倍甚至更多。A 低估了增长幅度，C 和 D 与真实规律相悖。

Q4. 换更大模型带来的性能收益通常呈现什么规律？

单选题 · easy

A.线性增长有高性价比
B.对数式的亚线性增长← 正确答案
C.指数式的爆发性增长
D.与算力成本同速增长

答案：B。性能随模型规模呈亚线性增长，收益 ∝ ln(S)，参数翻倍只带来一个常数量级的提升。A 高估了收益，C 在现实中不存在，D 错在收益增速远低于成本增速。

Q5. 当模型改进的 ROI 开始低于数据投入时，正确做法是？

单选题 · mid

A.继续加码模型参数
B.转向数据优化投入← 正确答案
C.同时砍掉两边预算
D.维持现状停止投入

答案：B。两条 ROI 曲线有交叉点，越过交叉点后数据投入的边际回报更高。继续加码模型是“撞天花板”式浪费，C 和 D 则是消极决策。理性做法是把资源从低 ROI 方向转向高 ROI 方向。

Q6. 模型改进的全部成本通常包括哪些？

多选题 · mid

A.训练阶段算力开销← 正确答案
B.线上推理运行开销← 正确答案
C.团队人力研发成本← 正确答案
D.用户注册登录费用

答案：ABC。完整成本账 = 训练成本（一次性）+ 推理成本（长期摊销）+ 人力成本（工程师工时）。D 是业务运营成本，与模型改进无关，属于干扰项。

Q7. 数据投入的三个主要成本构成是？

单选题 · easy

A.采集、清洗与标注← 正确答案
B.训练、推理与部署
C.存储、计算与网络
D.房租、水电与人力

答案：A。数据投入对应“原材料升级”，核心成本是采集（获取数据）、清洗（整理数据）、标注（打标签）三类。B 是模型环节的成本，C 是基础设施成本，D 是门店比喻过度延伸。

Q8. 架构创新收益评估需要权衡哪些关键要素？

多选题 · hard

A.研发一次性成本← 正确答案
B.成功概率加权← 正确答案
C.年化收益与年限← 正确答案
D.装修门面风格

答案：ABC。E = P × (A × Y) - C 中，P 是成功概率，A 是年化收益，Y 是收益年限，C 是研发成本，四项缺一不可。D 是比喻中的无关细节，实际决策中不应纳入评估。

Q9. 性能天花板出现的典型信号是？

单选题 · hard

A.边际收益趋近于零← 正确答案
B.总收益仍然很高
C.训练时间逐步缩短
D.标注质量持续提升

答案：A。天花板效应表现为最后一单位投入的收益增量趋近于零，投入产出比急剧恶化。B 总收益高不代表没有天花板，C 和 D 都不是饱和的指标，甚至可能预示其他方向的改进空间。

Q10. 关于模型改进 ROI 的正确说法有哪些？

多选题 · extreme

A.只算训练成本会低估总成本← 正确答案
B.准确率提升不等于收益提升← 正确答案
C.模型越大收益一定越高
D.存在转向数据的决策点← 正确答案

答案：ABD。推理成本长期摊薄往往超过训练成本，漏算会严重高估 ROI；准确率只是技术指标，必须折算成业务收益；模型收益亚线性而成本超线性，并不存在“越大一定越好”。模型与数据的 ROI 交叉点是经典决策拐点，所以 A、B、D 正确，C 错误。