待验证50% 置信事实精确时间
评测集污染指公开评测集的题目或答案以某种形式进入了模型的训练语料，使模型在评测上的表现无法反映其真实泛化能力；随着训练数据规模扩大，一条评测题目从发布到被记住的时间窗口越来越短。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
旧结论遇新模型：LLM复现研究的启示
hackernewshackernews2026/11/3
涉及实体
相关事实
已验证当测试题目可能已出现在训练数据中时，高分并不能真正代表泛化能力，这被称为基准污染74% 相似待验证判断是否发生模型蒸馏通常需要训练数据溯源、输出分布比对等证据，仅凭输出风格相似或单一指纹测试很难成立。71% 相似待验证训练数据中混入基准题目会导致模型在跑分上作弊式地好看，业内称为数据污染或benchmark调优。70% 相似待验证全局分类不适合局部篡改检测，在小数据场景中自监督预训练与领域先验往往比更大的模型更有效69% 相似待验证训练环境和评估基准使用相同技术组件但目的不同：训练中的分数是奖励（评判标准是能否让模型变强），评估中的分数是测量（评判标准是可靠、有效、能预测部署后真实表现）。69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130390API
curl https://kongchang.com/api/v1/knowledge/claims/1130390MCP
get_claim(id=1130390)