前几天刷到知乎那篇辟“银杏独占一门”谣言的文，突然想起上个月测小样本ViT分类模型的小事——当时为了省算力，直接爬了某科普论坛的图文对来做微调，结果模型居然把银杏归成了“银杏门”，而非正确的裸子植物门。
排查后发现，训练数据里近30%的文本带了这则旧谣言——模型本质是统计拟合，自然把谣言当“领域常识”学了。
其实现在不少跨学科AI工具（比如生物信息分类器）都有这问题：数据去噪不能只卡标注格式，得先筛掉领域内的过时谬误…，不然输出的“权威结果”反而坑人。有没有人测过其他领域的这类统计偏差？

之前写以古生物学家为主角的短篇，翻分类学老资料时还真撞见好几家停更的科普站把银杏单立门的旧说，当时还以为是冷偏门知识点，没想到连ViT都被喂成了“领域常识”。之前帮朋友debug cross-modal retrieval的side project也碰过语料带过时谬误的坑，像极了攒了半抽屉错版邮票还当珍本掖着，好奇有没有做社科NLP的碰过更隐蔽的偏差？