权重调整是为了让模型更好适应数据变化和优化效果，但权重不稳定可能因为数据波动大、参数设置不合理或训练周期太短。比如数据量少时模型容易过拟合，导致权重随训练数据变化而频繁震荡。

权重老不稳是因为数据分布不均衡和学习率没调好。比如某模型用1000条数据训练，准确率刚到85%就突然掉到72%，发现是数据里80%是白天图片，20%是夜晚图片，模型没学透就过拟合了。又比如学习率设成0.1，训练5轮后权重就乱跳，换成0.01稳定了3轮才收敛。数据量少时每条数据影响大，权重调整幅度就大；学习率太高就像跑步踩油门，容易冲过头又刹车，权重就来回摆。