待验证50% 置信事实精确时间
对于代码基准而言污染风险尤其突出，因为 GitHub 等代码托管平台上的竞赛题解、讨论帖常被纳入训练语料
1
来源数
50%
置信度
长期有效
时效性
2026/10/25
首次发现
来源
涉及实体
相关事实
待验证数据污染问题源于大模型在包含 GitHub、Stack Overflow、LeetCode 等平台公开代码题解的语料上进行预训练80% 相似待验证自托管 GitLab 是三者中风险面最敏感的一个，因为代码托管平台本身被攻破意味着源代码与 CI 凭证同时暴露，而自托管实例的升级节奏通常远慢于 SaaS。77% 相似待验证GitHub Copilot的训练数据来自GitHub上的公开代码仓库，引发了关于代码版权和许可证合规性的争议74% 相似待验证公开代码（如 GitHub）已被各家普遍用于训练，边际价值递减；真实开发者交互轨迹、私有仓库语料与编辑上下文构成差异化优势。74% 相似待验证斯坦福大学2022年的一项研究显示，使用GitHub Copilot辅助编程的开发者在特定任务中产出不安全代码的概率高于未使用辅助工具的对照组74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1095818API
curl https://kongchang.com/api/v1/knowledge/claims/1095818MCP
get_claim(id=1095818)