Zapaść modelu () – zjawisko opisywane w badaniach nad uczeniem maszynowym i generatywną sztuczną inteligencją, polegające na stopniowej degradacji modeli trenowanych na danych syntetycznych wytworzonych przez wcześniejsze modele. W takim procesie kolejne generacje modeli coraz słabiej odwzorowują pierwotny rozkład danych, zwłaszcza jego rzadkie i nietypowe elementy. Wyróżnia się wczesny etap zapaści, w którym zanikają informacje o „ogonach” rozkładu, oraz etap późniejszy, w którym generowany rozkład zaczyna wyraźnie odbiegać od pierwotnego i traci wariancję.

Zjawisko ma znaczenie dla rozwoju dużych modeli językowych i innych modeli generatywnych, ponieważ treści tworzone przez systemy sztucznej inteligencji mogą trafiać do zbiorów uczących ich następców. Nie oznacza to jednak, że każde wykorzystanie danych syntetycznych prowadzi do zapaści modelu – badania wskazują, że ryzyko zależy m.in. od udziału danych rzeczywistych, sposobu doboru danych oraz tego, czy dane z kolejnych generacji zastępują wcześniejsze zbiory, czy są z nimi akumulowane.