完整题目
在进行监督微调（SFT）前后，分类模型的预测概率分布从高度集中变为更加均匀（即置信度下降），这可能由哪些因素引起？请从数据分布、损失函数和过拟合等角度分析。
本文目录
先判断是不是问题
预测分布变平只表示平均置信度下降，不等于准确率下降，也不等于校准变差。先在同一验证集比较 accuracy/F1、NLL、Brier score、ECE 与 reliability diagram，并按类别、域和时间切片。若置信度下降同时更接近真实正确率，校准反而可能改善。
排查四层原因
- 数据：SFT 数据类别先验改变、样本更模糊、标签噪声/软标签增多、域迁移，或 train/validation 切分口径变化。
- 目标与正则：显式 label smoothing、Mixup/软标签、entropy/logit regularization、class weighting、weight decay 与 dropout 都可能影响 logit 尺度。Label smoothing 鼓励非目标类保留概率质量，但不是严格的概率硬上界。
- 模型与优化：分类头重置、学习率过大、灾难性遗忘、冻结层组合或训练不足都可能缩小类别间 logit margin。LoRA 的低秩本身不能推出“必然平均化”。
- 实现：train/eval mode、dropout、BatchNorm 统计、label map、重复 softmax、temperature、checkpoint 与 dtype 不一致。
修复
先做数据与代码消融，再决定训练修复。温度缩放用 softmax(z/T) 在独立校准集拟合 T：T>1 更平，T<1 更尖；它主要校准置信度，不提高分类边界。不能说 label smoothing 与温度缩放天然互相抵消，也不能用 Focal Loss 作为概率变平的默认修复。
图解
继续追问 · 3 个问题
- 温度缩放的具体实现和超参数如何选择
- SFT中标签平滑的优缺点权衡
- 如何检测和量化模型的校准误差（ECE指标）
换一种问法，检查是否真正理解
场景切入
假设现在 SFT 后分类概率整体变平。你会先用哪些准确性和校准指标判断它是否真是退化，再决定是否修复？
层层追问
置信度降低等于准确率下降吗？……NLL、Brier、ECE 和可靠性图分别看什么？……数据先验、软标签、分类头、温度与推理实现怎样逐层排查？
直球技术
请从数据、目标/正则、模型/优化和实现四层分析 SFT 后概率变平，并说明温度缩放、label smoothing 与能力修复的边界。
练习口述回答 · 约4分钟
- 先区分置信度、准确率与校准
- 从数据分布和标签质量排查
- 检查损失正则与 logit margin
- 排查 train/eval 和 softmax 实现
- 用独立校准集决定温度修复
看到 SFT 后概率从集中变平，我不会先下结论说模型退化。置信度、准确率和校准是三件事。模型以前可能过度自信，微调后概率下降但更接近真实正确率，这反而是校准改善。第一步应在同一验证集同时比较 accuracy 或 F1、negative log-likelihood、Brier score、ECE 和 reliability diagram，并按类别、数据域和时间切片。
数据层先看类别先验是否变化。预训练或原分类阶段可能某些类别占比高，SFT 数据更均衡、更模糊，或包含更多边界样本，模型学到的 posterior 自然会变。还要检查标签噪声、软标签、同一输入是否有冲突标注，以及训练集和验证集是否用了不同切分规则。域迁移会让 logit margin 缩小，也可能导致准确率和置信度一起下降。
损失层检查有没有显式 label smoothing、Mixup、知识蒸馏软标签、熵或 logit 正则、class weighting。Label smoothing 会让目标不再是纯 one-hot，通常抑制极端 logit，但它不是“每个预测概率绝对不能超过某个数”的硬上界。Focal Loss 的作用是降低易分类样本权重，不是修复概率变平的通用按钮，也不能无证据说它会防止概率塌陷。
模型和优化层要看分类头是否被重新初始化，学习率是否过大导致原能力遗忘，冻结层是否过多，训练是否不足，以及 weight decay、dropout 是否改变。LoRA 是低秩参数更新，它不会因为“低秩”就必然把所有类别平均化。真正应该比较的是 SFT 前后每类 logit、margin、权重范数和特征可分性。
实现问题也很常见：推理时是否忘记 model.eval，dropout 是否仍开启，BatchNorm 统计是否变化，label id 是否错位，是否对概率又做了一次 softmax，temperature 配置、checkpoint 和 dtype 是否一致。这些检查常比改损失更快找到根因。
修复顺序是先复现、再消融。分别关闭 label smoothing 和正则，回退分类头或学习率，固定数据切分，找出哪个变量导致变化。若准确率正常、只是校准有系统偏差，可以在独立校准集拟合 temperature，使用 softmax(z/T)：T 大于一让分布更平，T 小于一更尖。温度缩放主要校准置信度，不会改变 argmax 决策边界。不能把它和 label smoothing 简单说成互相抵消。最终要以准确率、NLL、ECE 和业务阈值表现共同验收。