模型老化的本质是数据分布偏离

把上线一段时间后的精度下滑称为"模型老化"，容易造成误解：模型权重并不会随时间腐坏，推理逻辑也不会自己变形。真正发生变化的是输入。训练阶段拟合的是某一时期的数据分布，而生产环境中的物料批次、包装样式、表面状态、背景构成、光源条件、设备机位和人员操作方式都在持续演化。当当前数据与训练数据不再相似时，同一套参数自然给出越来越多不合适的判断。所谓老化，本质上是分布偏离的累积结果。

这一判断的实际价值在于它改变了排查方向。如果把问题归为"模型不行了"，唯一的动作就是重训；如果把问题定位为分布偏离，就必须先回答偏离发生在哪一维度。类别名称不变并不意味着图像表现不变，同一个业务对象换了材质、增加了反光表面、进入了新的背景，在特征空间里已经是另一类样本。因此比较的对象应该是稳定期与异常期的样本构成，而不是两个时间段的误报数量。按业务类别、设备位置、目标大小、画面清晰度、时间段和典型外观特征分组，观察异常期是否出现新的集中模式，比看总体指标更能定位问题。

高置信度错误与阈值边界错误意味着不同的原因

模型输出日志中的置信度分布提供了区分线索。大量误报集中在高置信度区间，通常说明模型把新场景中的某种特征当成了旧类别的强信号，这是较严重的分布偏离，靠调阈值无法解决；结果密集聚集在阈值附近，则更可能指向阈值策略、样本质量或边界定义问题。两者的处置路径不同，统一上调或下调阈值只会在一处止损、在另一处制造新的漏报。

还需要把分布偏离与另一类容易混淆的情况分开：判定标准自身的漂移。误报统计依赖人工复核，当复核人员对"异常""可接受缺陷""边界样本"的理解发生变化时，统计数字上升而模型输出未必恶化。对争议样本做不看模型预测的盲审，是把这两类原因分开的必要步骤。分布真的变了要补数据，标准变了要先补规范，顺序颠倒会把业务歧义固化成训练噪声。

用分层观测替代单一误报率

分布偏离通常是渐进的，等到总体指标显著变差，偏离往往已经积累很久。单一误报率还会被业务量、人工抽检比例和类别占比变化干扰。更可靠的做法是同时观察关键类别的误报、漏报、人工复核覆盖情况以及样本特征变化，并为真正影响业务的偏差设定处置规则，让监控本身具备发现"新出现了什么"的能力。

确认存在稳定的新样本分布之后，再组织数据补充或模型更新才是有依据的动作。这里的前提是"稳定"：如果新分布来自相机松动、镜头污染或临时光照异常，正确的处理是恢复采集条件，而不是用异常样本重训，否则模型会被迫承担本应由现场控制解决的波动。验证同样要分层，覆盖原有稳定场景、引发问题的新场景和易混淆边界样本，确认新版本在消除当前偏差的同时没有在旧场景引入新的错误。把老化理解为分布问题，模型迭代才从被动补救变成对数据变化的持续跟踪。