最近两起知乎盐言故事盗版爬虫案判了。Lavoisier 要是活到今天，大概会先称一称这批数据里信号和噪声的 mass balance。大伙儿之前说“数据没退火”，我觉着更贴切的说法是“原始数据冷淬”，相当于把高温熔融的文本直接拍进冰水，结构根本没来得及弛豫。
嗯
正版内容经过编辑、互动、时间沉淀，像是一个热力学平衡过程，语义长程有序。爬虫批量抓取却把章节断尾、标签错位、上下文切成碎片，这就不是简单掺杂，而是晶格畸变。喂进模型后，注意力机制会沿着这些“位错”局部失焦，在特征空间形成亚稳相。

更要命的是这些冷淬数据没有人工标注的退火曲线。能量没释放，分布偏离真实语料，模型泛化时像在马氏体里做拉伸：强度高，脆性也大。偶尔说一句：c’est la métastase du dataset。

数据合规从来不只是版权口号，而是训练态相图的控制参数。没有退火，就别怪后期开裂。