待验证60% 置信事实精确时间

公开的安全评测集存在被纳入训练数据导致评测污染的风险，污染包括模型厂商刷分和恶意者研究测试集开发绕过变体两种风险

2

来源数

60%

置信度

长期有效

时效性

2026/7/10

首次发现

来源

LLM安全基准测试：现状、挑战与实践指南

hackernewshackernews2026/7/6

相关事实

待验证技术选型时应关注评测数据集是否来源于真实场景、是否存在训练数据污染、成本与召回率是否经过独立验证75% 相似待验证抵御评测污染的解决路径包括维护私有动态测试集、使用程序化生成而非固定题目，以及引入对抗性评估机制72% 相似待验证AI基准测试的常见争议包括数据污染、评测配置差异和cherry-picking70% 相似已验证训练数据污染是AI编程基准测试面临的首要挑战，测试用例来自公开GitHub仓库而这些正是大模型预训练语料来源70% 相似待验证官方基准测试如MMLU、HumanEval存在测试集泄露和针对性优化的风险69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/429422

API

curl https://kongchang.com/api/v1/knowledge/claims/429422

MCP

get_claim(id=429422)