待验证50% 置信概念精确时间
评测游戏（Benchmark Gaming）指AI公司通过选择性使用特定基准测试来最大化模型表现分数的行为，包括数据污染和针对特定评测集过度优化
1
来源数
50%
置信度
长期有效
时效性
2026/7/14
首次发现
来源
相关事实
待验证从检查点测试到正式发布，模型通常还需要经历微调优化、安全加固、推理效率优化和API适配等流程67% 相似待验证benchmark hacking指模型可能针对特定测试集优化而非具备通用能力，导致基准测试成绩与真实世界表现之间存在鸿沟66% 相似待验证Benchmark hacking可通过数据污染（测试集泄漏进训练数据）、针对特定基准题型格式专项训练、选择性报告最优基准成绩等方式人为提高基准测试分数65% 相似待验证基准测试倾向于评估模型知道多少，而非能带来多少认知增量65% 相似待验证业界正在探索的AI评估方法包括基于人工标注的评分体系、BLEU分数、ROUGE分数以及LLM-as-Judge方法65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/508068API
curl https://kongchang.com/api/v1/knowledge/claims/508068MCP
get_claim(id=508068)