Model Collapse（模型坍缩）

模型在合成或反复爬取的低质量数据上持续训练，导致分布漂移、多样性下降与性能退化。 模型坍缩是合成数据循环训练的风险，表现为输出多样性下降、尾部分布丢失与幻觉模式固化。

Model Collapse常见于：对话助手、代码生成、知识问答、内容创作与 Agent 推理底座。实际选型需结合业务指标、数据规模与部署约束评估适用性。

围绕 Model Collapse 的口语化说法（见「常见误解」）常过度简化。效果依赖数据质量、任务匹配与系统整体设计；生产环境应配合评测、监控与人工复核。

Model Collapse随 AI 研究与工程实践持续演进，定义边界与最佳实践仍在更新。建议结合原始论文、官方文档与本站延伸阅读建立准确认知。