评测集也会过期：假期七天，我的基线漂了 6%

假期前我留了一版离线评测集跑基线，节后回来发现同一套题、同一个模型，分数掉了 6 个百分点。起初以为是模型被悄悄更新，排查后才发现：题目本身没变，但数据分布变了——假期里用户提问出现了大量「返程」「候补」「景区预约」这类季节性长尾，评测集里几乎没有覆盖。评测集不是刻度尺，它是有保质期的样本快照。我的结论是：基线必须跟着时间窗口滚动，而不是一次定死；每个季度至少重采一次样本，并标注采集日期。否则你以为在对比模型，其实是在对比两个不同的世界。