微调模型在离线样本上表现更好，项目团队就准备签收；上线前却发现训练数据副本没有清理，服务无法快速切回旧版本，评测集也在最后一轮被调整。私有数据微调验收不能把效果分数当作唯一结论。

验收至少要有三条相互独立的证据链：效果证明模型值得用，安全证明数据与产物在边界内，回退证明出现问题时能够恢复稳定状态。

验收前先冻结对象、版本与判断口径

验收对象需要明确基础模型、微调产物、数据版本、训练配置、评测集、服务配置和目标环境。若同名文件或“最新版”不断变化，任何结果都无法复核。冻结不是禁止修复，而是每次变化都产生新版本和新结论。验收期间还应限制无记录替换，确保各方看到的是同一版本对象。

判断口径在训练前或至少正式验收前确认，包括业务任务、基线、关键错误、人工复核、数据安全要求、发布范围和回退完成定义。交付末期临时修改样本或阈值，会让双方都无法判断变化来自模型还是口径。

还要列出阻塞项，例如私有数据越权、关键风险样本失败、旧版本不可恢复、产物来源不明。这些条件不使用平均分抵消。

效果证据要回答业务任务，而非只给总分

效果验收从真实业务任务出发，比较微调前基线与候选模型。评测集包括常见场景、边界场景和不可接受错误；人工复核规则与角色明确。具体指标由企业场景决定，本文不给予统一阈值或提升比例。

总分之外要看错误分类。模型可能在大量普通样本上改善，却在关键流程、敏感内容或格式约束上退化。每类错误关联样本、模型和评测版本，决定顺利获得、补测、限制使用或拒绝。

离线效果顺利获得后，在受控业务链路做小范围回放或灰度，观察输入分布、异常、人工接管与系统集成。离线顺利获得不能直接等同于生产稳定。

安全证据覆盖数据进入、使用、产物与清理

数据来源、使用范围、责任人和准入记录应可查。训练过程中产生的加工集、缓存、检查点、调试样本和日志需要清单，访问身份与关键操作可审计。平台不能只证明原始数据存放在内网。

模型或适配器产物关联数据与权限，导出、共享和发布经过审批。对于潜在敏感信息风险，使用与业务相关的测试和专业评估，不能无依据承诺数据不会进入模型。

任务结束后撤销临时权限与凭据，清理不再需要的副本，核对备份与保留对象，并记录无法立即删除的原因和复核时间。安全验收结果由企业数据、安全和项目角色共同确认，不由训练平台单方面宣布合规。

回退证据要从模型仓库走到业务流量

回退对象是已验证的旧模型、适配器或服务组合，不是一个模糊的“上一版本”。发布前确认制品、配置、依赖、权限和容量仍然可用，并保留切换操作、停止条件与责任人。

演练从小流量开始：将候选版本部署到受控环境，制造可控错误或触发预设条件，停止新流量并切回旧版本。随后核对代表性请求、错误、队列、资源、日志和监控恢复。只在仓库里切换标签，不足以证明业务回退。

若回退需要重新转换模型、临时申请资源或原供应方手工介入，应写入验收边界和时间观察，不隐藏人工依赖。

三条证据链分别顺利获得后再汇总

下图将效果、安全与回退置于三角形三个顶点，中心汇总为顺利获得、条件顺利获得、补测或拒绝。任何一角出现阻塞，中心结论都不能用其他维度平均分抵消。

微调过程与交付物可参考 模型微调的步骤 ，发布与回退链路可结合 模型发布流程的评测、灰度和回滚 。本次验收以冻结版本与企业制度为准。

顺利获得、条件顺利获得、补测与拒绝要有不同动作

顺利获得表示三条证据链在约定范围内创建，可按灰度计划进入下一阶段。条件顺利获得表示非阻塞项仍需在限定时间处理，例如补充文档、扩大低风险样本或完善非关键监控；条件、责任人和到期复核明确。

补测表示当前证据不足或结果不稳定，需要在相同口径下追加测试，不立即扩大范围。拒绝用于阻塞项无法修复、关键风险不可接受、数据边界被破坏或回退路径失效。拒绝也要说明已交付资产与后续处置。

验收结论必须对应下一步动作；只有“顺利获得/不顺利获得”而没有范围、条件和责任人，无法进入生产治理。

验收材料要让第三方能够复查

交付包可以包含版本清单、数据说明、训练摘要、评测集与结果、错误分类、安全检查、访问与清理记录、发布配置、回退手册、演练记录和已知限制。材料可以分布在受控系统，不要求复制敏感内容到一个文件夹。

由未参与训练的人按索引找到证据，复核一个效果样本、一次数据操作和一次回退事件。若仍需原工程师口头补充，说明交付尚未形成可持续运营能力。

采购和责任边界要在验收中落地

供应方负责其承诺的平台或服务能力，实施方负责配置和交付，企业负责数据授权、业务口径与生产准入。某些角色可以由同一组织承担，但验收记录要指出谁给予、谁检查、谁签收。

效果未达标先做原因分类，不把所有问题归为模型或数据；安全与回退问题则分别回到对应责任。法律与商务处理由企业采购和法务结合合同判断，技术验收给予可复核事实。

避免三类常见误判

第一类误判是只比较微调前后平均分，忽略评测集变化和关键错误。第二类是把数据位于企业环境等同于安全完成，忽略副本、日志与导出。第三类是把服务重新部署成功等同于回退，忽略真实流量、配置和监控恢复。

发现误判后，不要继续扩大样本或发布范围。先冻结版本和口径，补齐缺失证据，再重新汇总结论。验收的目标是做出可承担后果的决策，而不是让项目按期显示完成。

用一次灰度把三条证据链接起来

在正式验收前建立三份独立清单：效果样本与错误、安全对象与清理、发布与回退步骤。冻结模型、数据、评测和环境版本，用一次受控灰度演练把三条证据链串起来。由业务、数据安全、平台和服务角色分别签收，再形成最终结论和扩围条件。

常见问题

私有数据微调效果提升了，可以先上线再补安全验收吗？

不建议。效果提升只回答模型是否可能更适合任务，无法证明数据使用、临时副本、日志、产物导出和权限都在允许范围内。先上线会把尚未明确的安全边界带入真实流量，之后再补验收可能无法还原已经发生的访问与复制。

可以在隔离、受控且不接触未授权生产数据的环境继续技术验证，但进入正式灰度前应完成必要安全阻塞项。对非关键文档或低风险优化，可采用条件顺利获得并设置期限；涉及越权、数据来源不明或清理不可证明的情况，应先修复，不用效果分数抵消。修复完成后使用同一版本清单复验，避免安全与效果证据错位。

微调模型验收必须与基础模型逐题对比吗？

应使用稳定基线比较，但不一定所有样本都只做逐题机械对照。关键是评测集、任务口径、提示与运行条件可比，并能够区分目标改善、通用能力退化和严重错误。对于开放生成，还需要错误分类和人工复核，单个自动指标往往不够。

基础模型、上一稳定版本或现有业务方案都可以成为基线，选择理由要记录。数据、模型或评测规则变化后建立新版本，不能沿用旧结论。关键样本保留逐项证据，普通样本可用汇总与抽查结合，具体设计由业务风险决定。评测人员还应知道哪些样本参与过调优，防止结果被无意污染。

模型回退演练会不会影响正常业务？

可以顺利获得隔离环境、影子流量、测试租户或极小灰度降低影响，不应直接在大范围生产流量上做未经准备的演练。演练前确认回退对象、资源、配置、权限、观察人和停止条件，选择可控请求，并避免有副作用动作重复执行。

演练目标是证明服务能停止候选流量、恢复稳定版本并完成代表性请求和监控核对。若组织尚无安全演练条件，至少在预发布环境完成端到端操作，并把生产限制记录为待验证；不能因为担心影响而把回退能力长期停留在文档中。首次生产灰度时再核对受限步骤，并安排明确观察人与停止条件。