已验证90% 置信事实精确时间

基准污染指模型在训练过程中已见过测试题目，导致评分虚高、无法反映真实泛化能力

6

来源数

90%

置信度

长期有效

时效性

2026/7/5

首次发现

来源

OpenAI支持Appia基金会：AI通用标准化的破局之路

rss2026/6/23

相关事实

待验证对于仅使用合法训练集训练的负对照模型，该测量方法效应值为-0.012，从未误报污染74% 相似待验证研究表明即使是部分污染（模型只见过题目而非答案），也可能显著提升得分74% 相似待验证基准测试面临饱和（Saturation）和数据污染（Data Contamination）两个系统性挑战，当多个主流模型得分超过95%时测试集失去区分能力74% 相似待验证评估模型不能只看智能指标，还要看Token使用效率和工具调用次数，工具调用次数过多会导致上下文污染72% 相似待验证2023年，研究人员证明只需污染不到1%的训练数据，就能在特定触发条件下改变模型行为72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/112155

API

curl https://kongchang.com/api/v1/knowledge/claims/112155

MCP

get_claim(id=112155)