把失败图分进格子以后，可用率从 50% 走到了 72%

做 Smart Photo 的商品图时，看失败图片是绕不开的活。今年可用率从 30% 做到 50%，然后停住了。看得多了，不同品类出问题的地方明显不一样，分品类训练的念头也是从那时候起的。拆开以后，做到了 72%。

现在回看，我还不能把改善全部归到拆分上。如果把过程理解成“看出规律，拆开模型，效果就好了”，分类好像只是为了证明已经选中的方案。它真正值得展开的地方，是失败被分开以后，下一步有哪些不同的可能，为什么不能只凭一组看起来相似的问题，就认定找到了原因。

一张图不达标，可以让这张图退出候选，却不能告诉团队该改什么。商品形态不对、材质表现不对、场景不适合，都可以归进“不能用”，但把它们放在一起要求继续提升效果，讨论还是很空。知道有多少图不能用是一种信息；知道哪些问题值得分别处理，是另一种。

那张表

当时整理的是一张表：一边是品类，服装、3C、家居、家纺；另一边是失败类型，形态、材质、场景。每张失败图落进一个格子，再数每个格子有多少、对应哪个模型版本。沿着这张表往下分析，才谈得上分类和验证该怎样展开。

我会先警惕分类名称带来的暗示。把一组图片叫作“材质失真”，描述的是看到了什么；叫作“训练数据不足”，已经在解释为什么会这样。两种话都可能有用，但不能写在同一栏里当成同样确定的事实。否则大家一看分类表，就已经被带向补数据，其他可能性甚至没进入讨论。

品类也有类似的问题。按品类分开，便于看到差别，却不代表品类就是错误的原因。某种问题在一类商品中多，可能与商品的视觉特点有关，也可能与输入图、使用的场景或样本构成有关。它提示值得继续查，还没证明把模型拆开就一定能解决。分类最先提供的是一个更小、更具体的问题，不是一句技术结论。

假设有一批失败图，某种表面质感总是表现不对。若这些图同时都用了相近的光照场景，就需要把品类差异和场景差异分开想。换个场景就不再明显，后续方向可能偏向场景控制；换场景后仍反复出现，才有理由继续追问商品特征的适配。不能因为分类表的第一列是品类，后面的分析就只沿着品类走。

我也会想看那些没有失败的图。同一类商品里，什么条件下能做好，本身就能缩小问题范围。同一种材质在某个角度表现正常，另一个角度不稳定，那么“这一品类都不行”就太宽了。只看坏图容易把问题放大成整类能力缺失，对照能用的结果，反而可能找到一个更小的调整范围。

数量需要有分母。某类失败图最多，可能是因为这类生成得最多；某种问题看起来集中，也可能是同一个商品反复重试留下的相似结果。仅凭失败图的数量，排不出哪一类最严重。分类以后仍要分清在数图片、商品，还是独立的生成任务。

补数据，还是拆开

这些限制不是说发现品类差别没有价值。它至少让“继续优化”不再是唯一能说的话。可以讨论是否补某一类缺少的样本，是否先调整某种场景要求，是否检查输入处理，也可以把分品类训练拿出来比较。它们未必相互排斥，但投入的地方不同，预期解决的问题也不同。

补数据这条路不能因为后来选了拆分，就被当成一个显然错误的选项。某个范围缺少足够覆盖，补充合适的样本仍然可能有帮助。问题是补什么，不只是总量增加多少。反过来，即使补过一批数据而结果没有明显变化，也还要知道新增内容、训练设置和比较方式，不能据此得出“加数据无效”。

分品类训练值得考虑的地方，是可以分别调整不同商品范围的适配，不必要求所有差异都在同一套设置里处理。但按业务品类分组，是否恰好适合训练，需要技术侧判断。视觉特征接近的商品可能跨品类，单个品类内部也可能差异很大。目录上的分类方便管理，不一定就是最合适的模型边界。

拆开还可能让每份数据覆盖变窄。这不等于拆分一定不好，而是要问清原来放在一起的素材，哪些提供了可以共享的信息，哪些确实需要区别处理。如果只是为了让方案和分类表一一对应，就给每个标签各配一个模型，分析看起来非常完整，维护也可能跟着变得很重。

我更想把这种额外工作展开，而不是用“多训几个模型”一句带过。不同范围各自训练以后，需要知道用哪份数据、怎样验收、某个场景该调用哪一版。新增商品怎么归入，边界不清的商品怎么办，某一版更新后谁来检查，都是方案要回答的后续问题。维护的代价还会出现在版本比较上。某一类可以单独更新，其他范围不必一起等待，这是便利；但共享的处理步骤一旦变化，仍可能影响多个模型。拆分不代表风险也自动分开。

先在一个范围里验证

值得比较的，不只是统一训练和全部拆开两个完整方案。也可以先在差异比较明确的范围里验证分开处理，其他部分保持原来的方式。它的意义在于先回答一个较窄的问题：针对这类失败，单独适配是否确实有帮助，是否值得承担后续成本。

这个验证不能只挑原来那几张失败图。只针对已经看过的图调整，再用它们证明有效，很难知道改善能否延伸到别的商品。原来的难例值得保留，同时还需要相近但没有参与调整的输入，以及此前表现正常的范围。后者不是陪衬；修好一类问题的同时有没有损失别的能力，同样影响方案能否接受。

比较时，我希望尽量保留其他条件。数据、提示词和生成控制一起改，最后的图也许更好了，但它只能支持整套方案有所变化，不能精确说明拆分贡献了多少。工程上有时需要多个改动一起推进，未必能逐项单独验证。能明确记录哪些条件同时变了，就比事后给改善寻找一个单独的原因可靠。这也是我对“50% 到 72%”这个数字保持一点距离的原因。

决定下一步，不一定要等所有原因都被证明。一个有限范围的尝试成本可以承受，即使还没掌握完整解释，也可能值得验证。但验证之前应当知道自己在等什么：希望哪类失败减少，哪些正常表现不能退步，出现什么结果说明这条路暂时不值得扩大。

失败分类还会影响先处理哪一组。最常出现的问题值得重视，未必总是第一顺位。一种失真会改变商品关键信息，另一种只是让背景不够理想，两者都不能直接交付，后续处理难度和误用风险却可能不同。我倾向把影响、发生范围和修正代价一起看，而不是默认最大的一堆就最值得先训练。

也有一些分类暂时无法导向修改。样本太少，判断有分歧，或者现有信息看不出共同条件，都可能使下一步停在补充观察。这不算分类没有产出。至少团队知道哪一组能开始比较方案，哪一组还只能提出问题。

我想留下的是分类怎样改变下一步的讨论。原来只能问“效果还不够好怎么办”，现在可以问“这组问题在哪些条件下出现，先改哪一处最值得验证”。问题变具体以后，补数据、调整控制、分开适配，才有了可以相互比较的依据。即使当时没有选拆分，这份分类仍然有用，因为它帮助缩小了要处理的范围，而不只是替某个方案提供赞成票。