假设一个模型是在日期训练的 $dt1$ 使用可用的标记数据，分为训练和测试，即 $train_{dt1}$, $test_{dt1}$. 然后将该模型部署到生产环境中，并对新的传入数据进行预测。一些$X$ 几天过去了，在这之间收集了一堆带标签的数据 $dt1$ 和 $dt1 + X$ 天，让我们称之为 $Data_x$. 在我目前的方法中，我从 $DATA_x$ （例如 80/20 拆分），

所以， $80\%$ 的 $DATA_x$ = $train_x$ （用于微调训练的现有模型的新数据 $dt1$) $20\%$ 的 $DATA_x$ = $test_x$ （新数据添加到 $test_{dt1}$)

随着时间的推移，这种微调过程会不断重复。

通过这样做，我得到了一个不断扩展的测试集，并且我阻止了重新训练整个模型（基本上我可以丢弃旧数据，因为模型已经从中学习）。生成的新模型只是旧模型的微调版本。

关于这种方法，我有一些问题：

1. 这样做有什么明显的缺点吗？
2. 一段时间后，模型是否需要完全重新训练（忘记之前学过的所有内容，并使用新的训练/测试拆分训练模型），还是我上面描述的方法可以无限期地继续下去？
3. 用新的微调模型交换现有部署模型的条件应该是什么？