AI Knowledge

外观

数据配比、去重、污染与训练评测 ​

目录 ​

1. 面试结论 ​

30 秒专业短答｜ 训练数据治理控制来源、质量、配比、重复、泄漏和评测污染，并用版本化清单解释模型变化。主链路是“登记来源许可与质量 → 规范化后精确和近似去重 → 按目标采样配比 → 用污染扫描和保留集评测”。去重阈值和质量过滤会改变长尾覆盖；检测不到污染不等于绝对无污染，项目中必须用 Trace、失败样本和成本指标验证。

面试官为什么问： 看你能否把框架名词拆成控制流、数据契约、失败边界与选型依据，而不是只会调用 API。

2. 概念、原理与边界 ​

小白先这样理解：备考题库不能把答案抄进模拟卷，也不能让一种题占满全部练习 ​

备考题库不能把答案抄进模拟卷，也不能让一种题占满全部练习；配比对应题型比例，污染对应提前看答案。技术上仍要由确定性代码处理权限、状态提交和终止；生活类比没有覆盖并发、版本与分布式失败。

核心机制 ​

  1. 登记来源许可与质量：把输入和约束变成可校验契约。
  2. 规范化后精确和近似去重：执行主题的核心计算或控制决策。
  3. 按目标采样配比：提交结果，并保留版本和证据。
  4. 用污染扫描和保留集评测：成功收口；失败按类别重试、降级或人工处理。

边界： 去重阈值和质量过滤会改变长尾覆盖；检测不到污染不等于绝对无污染。概念本身与框架无关，框架只是实现路径。

3. 技术栈与横向选型 ​

技术点 ID技术点/环节类型采用方案链路职责版本/证据边界
TP-MIX-CORE数据配比、去重、污染与训练评测核心链路机制与参考实现版本化数据清单加分阶段去重完成“登记来源许可与质量 → 规范化后精确和近似去重 → 按目标采样配比 → 用污染扫描和保留集评测”设计参考；动态能力以 2026-07-14 官方资料和项目基准为准
技术点 ID候选方案优点缺点/代价适用场景不适用场景选择结论与依据
TP-MIX-CORE精确哈希去重能力完整，便于标准化抽象、依赖或运维成本更高约束与生态匹配的生产项目只验证最小机制当前参考方案；须用同数据、同预算基准验证
TP-MIX-COREMinHash 或语义近重复路径直接，边界透明需要自行补齐工程能力小规模、强定制或机制验证复杂协作和快速交付需求简单时优先；复杂度超过维护能力再切换

4. 架构与调用流程 ​

图：架构｜数据配比、去重、污染与训练评测组件边界

替代文本： 输入经过登记来源许可与质量、规范化后精确和近似去重、按目标采样配比和用污染扫描和保留集评测形成结果，策略与观测横跨链路提供约束和证据。

图表加载中…

读图结论： 核心机制位于中间两步，策略控制执行边界，观测层负责证明结果和定位失败。

架构图说明静态职责，不代表所有步骤都必须拆成独立服务；是否拆分取决于隔离、扩缩容和故障域。

图：技术调用流程｜数据配比、去重、污染与训练评测成功与失败路径

替代文本： 调用方提交请求，控制层执行前置校验后调用核心组件；有效结果被验证并返回，异常结果进入止损、降级或人工处理。

图表加载中…

读图结论： 失败不能统一重试；先区分未执行、可重试和结果未知，再决定恢复动作。

调用流程把模型或框架能力放在受控运行时内部，授权、验证和最终完成判定不交给概率模型。

5. 最小实现与证据 ​

python
def run(request, policy, engine, verifier):
    checked = policy.validate(request)
    result = engine.execute(checked)
    verifier.assert_valid(result)
    return result

这段伪代码刻意只保留四个边界：输入校验、核心执行、结果断言和返回。生产实现还需超时、取消、幂等、版本与审计。

最小证据集： 一个正常样本、一个边界样本、一个失败注入；记录输入、输出、版本、Trace、延迟和成本。没有这些证据时，只能说“完成设计”，不能声称已上线或提升。

6. 项目落地与面试追问 ​

示例项目： 在内部 AI 助手中用 TP-MIX-CORE 承担核心链路。上线前以固定任务集比较 精确哈希去重 与 MinHash 或语义近重复，验收任务成功率、关键错误率、P95、单位任务成本和人工接管率。

面试追问：

  1. 数据配比、去重、污染与训练评测解决什么问题，又不解决什么？
  2. 四步链路中哪一步必须由确定性代码控制？
  3. 为什么当前选择 精确哈希去重，何时改用 MinHash 或语义近重复？
  4. 如何证明不是 Demo 恰好成功？
  5. 发生“评测集或答案泄漏进训练集”时先查什么？

7. 生产风险与排障 ​

生产风险演练 ​

现象影响定位证据根因临时止损长期修复回归验证监控与防复发
基准异常高而新鲜同分布集明显下降评测集或答案泄漏进训练集，影响正确性、稳定性或成本sample lineage、overlap match、timestamp、holdout数据抓取与评测资产没有隔离冻结模型结论并隔离可疑数据版本权限隔离、时间切分、近重复扫描和新鲜集污染前后基准与新鲜集差距复测按租户、任务和版本监控失败率、尾延迟、成本与降级率

排障顺序固定为：先止损并固定版本，再找首次异常证据，最后修复、重放和灰度；不要先换模型或扩大重试。

8. 参考资料 ​

9. 总结 ​

一句话记忆： 训练数据治理控制来源、质量、配比、重复、泄漏和评测污染，并用版本化清单解释模型变化。

  • 核心链路：登记来源许可与质量 → 规范化后精确和近似去重 → 按目标采样配比 → 用污染扫描和保留集评测。
  • 选型：精确哈希去重 与 MinHash 或语义近重复 必须在同约束下比较。
  • 边界：去重阈值和质量过滤会改变长尾覆盖；检测不到污染不等于绝对无污染。
  • 排障：固定版本，沿 Trace 找首次异常，再重放验证。