交易模型刚重训完，不代表就该立刻接班。像球队换首发，新人训练成绩再好，也得先和现任在同一场面里较量。Aditya Dutta 提出的 Shadow Before Swap（SBS）就是一道上线闸门：候选模型先在后台“陪跑”，不参与真实决策；等下一周的真实结果到齐，再决定是否替换线上模型。
具体说，候选者和持续学习的线上模型同时处理同一批新数据。由于未来收益要过一段时间才揭晓，这些结果属于“延迟标签”。论文用负对数似然（NLL）评分——它衡量概率预测是否贴近结果，越低通常越好，也会重罚自信却错误的判断。只有候选者的平均 NLL 明确更低，系统才准许上线。
作者在 Binance 两段互不重叠、合计 48 周的历史回放中，测试了 528 个候选者，最终只放行 114 个，模型更换次数减少 78.4%。据作者报告，SBS 的 NLL 比持续维护原模型低 0.0428%，也优于按日历直接替换和等待一周后无条件替换。提升幅度不大，但重点很实际：持续训练可以积极，上线决策应当克制。