一句话定义：均值回归（Regression to the Mean）指的是，当一次结果里混着运气成分时，极端好或极端差的表现，下一次大概率会回到接近平均的水平——不是因为发生了什么新事情，而只是运气这次没站在同一边。这个概念最早来自高尔顿（Francis Galton）对身高的观察。
打个比方：一个人平时考 80 分，某次超常发挥考了 98 分。老师一表扬，下次他只考了 85 分。看起来像“表扬让人骄傲了”，其实 98 分本身就掺了运气，下一次运气回到普通水平，成绩自然落回真实能力附近。
关键在于“极端值被选中”：我们往往只在某件事表现特别突出时才注意到它，于是我们看到的样本，本身已经被筛过一遍。
AI 工作里这个陷阱随处可见。
一个提示词（prompt）第一次跑出惊艳答案，截图发群；第二次、第三次就变平庸了。很容易解释成“模型不稳定”“上下文被污染”，但更朴素的原因是：大语言模型（LLM）每次生成都带采样随机性，第一次那个结果本来就落在分布的右尾。同理，某次内部评测分数突然拉高，后面几轮回落，如果样本量小，未必是版本退步。
还有个变体：人们习惯在“表现最差”的时刻动手调整，于是下一刻怎么走都像被自己修好了。比如线上指标跌到谷底才决定加一条规则，加了之后恢复了，你会觉得这条规则很有效；其实什么都不做，跌到谷底之后本来也有回弹倾向。
怎么区分“回归”和“真的变了”？核心是看重复、看基线。
| 你观察到的 | 更可能是均值回归 | 更可能是真实变化 |
|---|---|---|
| 一次超常发挥后回落 | 只跑了一次，无对照 | 多次运行后整体水平变了 |
| 指标见底后回升 | 恰好从最低点开始干预 | 多轮对照都稳定改善 |
| 新版本首发惊艳或翻车 | 单个用例，噪声占比大 | 同条件下多轮多任务复现 |
实操建议很朴素：把单次结果当成噪声上限很高的信号。评估一个 prompt 或一个版本，就多次运行、换几个相近输入、和旧版本同条件对照，看均值和波动。评测集尽量大一些，因为小样本里极端值占比天然更高。同时保留“什么都不改”的对照组——没有对照，你分不清是改好了，还是本来就该回弹。
对普通职场人也一样：同事一次惊艳的演示、自己一次超常的业绩、团队一次爆款，都别急着找原因归因。先问一句：这里面有多少是运气？把时间拉长，看平均水平，判断会更稳。
（涉及具体评测口径、模型版本与指标定义，以官方页面为准。）