题目重点：先使用可迁移表示，再收集经过验证的新概念样本。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 目标从获准使用的聊天日志图像集合检索某新文本概念；可能没有或只有很少已标注图像。训练不把未授权聊天内容默认为可用于模型训练。
- 使用已有跨模态embedding作为基线，不声称模型一定识别新产品；query有时间/概念变更，必须评估旧概念混淆。
解题路线
- 抽取图像与文字context建立有权限的候选索引，记录时间、来源和可用范围。先用文本描述/同义词及通用text-image模型zero-shot检索，不在零样本时假装已能监督训练精确分类器。
- 冷启动用少量人工验证seed、弱标签及active learning；聊天文字可能讽刺/引用别物，不能自动把同条text当图像正确标签。建立hard negatives，例如外观类似旧产品和渲染图/实拍区分。
- 已有image embeddings ANN索引，query文本在线embedding→候选召回→少量rerank→ACL过滤/补候选。延迟拆embedding、ANN、rerank、网络和过滤，模型训练离线不放进每次query关键路径。
- few-shot可先构prototype或调小adapter，再比较zero-shot基线；用按时间/用户来源去重的held-out集合，测precision/recall、误概念和实际延迟。新增数据并不必然改善，要保留模型/索引版本可回滚。
- 用户点击只作弱反馈，曝光位置与查询目的带偏差；优先人工复核不确定候选，避免推荐错图→用户误点→模型强化错概念的反馈循环。
手动走一遍
新车名样本少，可用已确认的外观描述query获取候选，人工挑seed；不能把通用模型的第一批topK全当正例。在线预算练习100ms，可给text embedding20ms、ANN20ms、rerank40ms、其它20ms作为待测分配，不声称真实系统达到该数。
规模与取舍
离线embedding成本按图像数和模型吞吐，online ANN为近似检索，无通用精确O(logN)保证。rerank K项吞吐和尾延迟受batch影响；少样本主要风险是统计泛化而非仅算力。
易错点与追问
容易失分的边界
- 零正例时直接fine-tune，缺失训练信号。
- 训练与测试来自同条聊天或近重复图像，虚高表现。
- 只报平均latency，忽略冷启动/权限补召回尾部。
继续深挖
- 概念名称变更或同名多义，query expansion如何控制误召回？
- 用户反馈少且有曝光偏差，怎样选择人工标注样本？
