让 AI 检查训练集分组：照片文件不同，背后也可能是同一件物品
准备图片分类练习时，把文件名随机分到训练集和验证集，看起来已经没有重复文件。然而同一件物品的连拍、裁剪和调色版本，仍可能分到两边。若目标是判断新物品，验证对象实际上并没有真正换新。
AI模型生成的概念插图：整组卡片分别归入不同容器；不是实际训练数据、软件截图或正文类别分布的图示。
先声明想测试哪种新情况
原创清单有A、B、C、D四件物品，每件拍三张，编号为A1到A3、B1到B3，依此类推。A和C的类别是杯，B和D是盒。共12条记录、4个物品、2个类别；照片内容并未生成或投入模型。
本轮目标是识别训练中没见过的物品。于是group_id应是物品编号，而不是照片编号。若目标改成识别同一件物品在不同光照下的照片，切分问题会不同，不能只凭“随机”或“分组”两个名字判断优劣。
没有相同文件，仍然共享全部物品
按行方案把A1、A2、B1、B2、C1、C2、D1、D2放入训练，把A3、B3、C3、D3放入验证。两边行编号交集为空，可是物品编号交集为A、B、C、D，四件物品全部重叠。
让AI同时列出这两个交集，便能指出问题的位置。只跑“文件名无重复”的检查会通过，但那不是“验证物品没见过”的保证。真实模型可能利用物品特有花纹或拍摄背景，实际影响需要另外测试，不能从这份清单直接宣称精度虚高了多少。
用一个记忆查表器揭示边界
另设一个确定性小程序：训练时只记group_id对应的类别，验证时查到就返回类别，查不到就返回“未知”。在按行方案中，它能查出全部4条验证记录，4条都与标签一致；它根本没看图片，更没有学会辨认杯和盒。
改成整组方案：A1至A3、B1至B3训练，C1至C3、D1至D3验证。两边各6条，各含3张杯和3张盒，物品交集为空。此时查表器对验证6条全部返回未知，覆盖率是0/6；不要把弃答直接改写成“真实图像模型准确率为零”。
本文实际执行了集合检查和这个查表规则。它仅证明旧切分允许“记住物品身份”的办法通过，不能代表某个视觉模型的行为。scikit-learn的GroupKFold提供非重叠组的交叉验证方式，但分组字段是否正确仍需由任务定义决定。
把规则交给AI，再保留清单
“建立A、B、C、D各三条记录，A/C为杯，B/D为盒。比较每组前两条训练、末条验证，与AB整组训练、CD整组验证。列行ID交集、group_id交集、各侧行数和类别数。执行仅记group_id标签、未知则弃答的查表器，分别报告覆盖率和已回答记录的正确情况。最后说明哪个方案能隔离新物品，禁止编造图像模型成绩。”
同一原图派生的裁剪、增强图也应跟随原组；进一步若要测试新相机、新拍摄地点或未来时间，还须按那个目标安排隔离。四件物品只够解释机制，不足以支持可靠的泛化估计，更不能靠反复调整这六条验证记录来挑最终模型。
资料核对日期：2026年10月2日。本文使用原创合成设定，独立核算不代表真实模型训练或效果测试。
