待验证50% 置信事实精确时间
公开基准（如 MMLU、HumanEval）的题目和答案通常公开可查，模型团队可以针对性地在训练数据中覆盖相似题目，从而在榜单上取得虚高分数，即「刷榜」。
1
来源数
50%
置信度
长期有效
时效性
2026/10/28
首次发现
来源
DeepSeek V5代码泄露？实为兼容性测试
bilibili阿梨Aria早鸟报2026/10/28
涉及实体
相关事实
待验证MMLU、HumanEval、GSM8K等主流评测集长期公开在互联网上，模型在预训练或微调阶段极可能接触过这些题目79% 相似待验证主流基准测试题目在互联网上已被广泛讨论，模型训练数据中可能存在对题目的记忆，导致基准分数高估模型在真实未见任务上的能力76% 相似待验证确保训练数据中包含足够比例的真实人类原创内容已成为大模型开发的关键课题，OpenAI、Anthropic等公司为此投入大量资源进行数据筛选和质量控制73% 相似待验证专用模型（分类器、重排序器、实体模型）通常比LLM的自我报告置信度更易校准，因为它们的训练目标直接优化分数与正确性的对应关系。73% 相似待验证OpenAI在InstructGPT论文中证明，少量高质量人类偏好数据对模型对齐的贡献远超大规模无监督训练72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1109726API
curl https://kongchang.com/api/v1/knowledge/claims/1109726MCP
get_claim(id=1109726)