待验证50% 置信概念精确时间
数据污染指模型训练数据可能已包含GitHub公开的bug修复方案，导致测试时的推理实为记忆复现
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75% 相似待验证代码训练模型在构建训练集时会特别关注去重处理，因为GitHub上大量fork和复制代码会导致模型过度记忆特定代码片段而非学习通用模式71% 相似待验证GitHub Copilot通过海量真实代码补全的接受/拒绝反馈数据持续优化模型的代码生成质量，形成数据飞轮65% 相似待验证GitHub Copilot底层采用Transformer架构，通过学习代码的统计规律和语义模式来预测代码续写65% 相似待验证暴露的.git目录可被攻击者利用git clone或专用工具（如GitTools）完整重建项目源码65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/561537API
curl https://kongchang.com/api/v1/knowledge/claims/561537MCP
get_claim(id=561537)