Training loss optimize edilen hedefe uyumu, validation loss görülmemiş split üzerindeki genellemeyi izler. Train düşerken validation yükseliyorsa overfitting araştırılır.

Catastrophic forgetting farklıdır: yeni domain metriği yükselirken eski/genel yetenek geriler. LoRA tabanı korur ama aktif adapter davranışsal girişim oluşturabilir.

İlk düşünce

Daha düşük validation loss her zaman daha iyi üretim modelidir.

Düzeltme

Loss optimize edilen token hedefidir; JSON geçerliliği, görev doğruluğu ve güvenlik ayrı ölçülür.

Karar kuralı

Checkpoint'i validation loss + görev metriği + retention eşiğiyle seç.

Loss, Overfitting ve Forgetting