待验证50% 置信事实精确时间
主流基准测试如MMLU、HumanEval、SWE-bench通常仅覆盖数千至数万个标准化问题，存在场景覆盖有限和训练数据污染的潜在风险
1
来源数
50%
置信度
长期有效
时效性
2026/7/19
首次发现
来源
相关事实
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81% 相似待验证当前AI模型评测主要依赖标准化基准测试（如MMLU、HumanEval、GSM8K等），但存在数据污染风险和与实际应用脱节的问题74% 相似待验证标准AI基准测试包括MMLU（涵盖57个学科的综合知识测试）、GPQA（研究生级别专业问答）、SWE-bench（真实软件工程任务）、HumanEval和MBPP（编程能力）、MATH和GSM8K（数学推理）72% 相似待验证标准化AI基准测试(如HumanEval、SWE-bench)存在基准过拟合的失真问题72% 相似待验证当前主流基准测试体系如HumanEval、MBPP等代码评估集往往关注平均性能，对分布式的场景特定退化现象敏感度不足71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/558192API
curl https://kongchang.com/api/v1/knowledge/claims/558192MCP
get_claim(id=558192)