待验证50% 置信观点精确时间

静态基准测试存在数据泄露和过拟合基准的局限，而Arena的众包投票机制更贴近用户真实使用感受

1

来源数

50%

置信度

长期有效

时效性

2026/8/6

首次发现

来源

阿里通义冲上Text Arena第二名，Qwen模型实力解析

相关事实

待验证基准过拟合和数据污染会导致模型通过记忆而非真正理解获得高分，使公开基准分数可信度存疑67% 相似已验证在划分数据集之前对全量数据做标准化会导致数据泄漏，将测试集信息泄露给训练集64% 相似待验证差分隐私通过向统计结果注入校准噪声，在数学上保证无法从聚合数据中推断出单个用户的行为64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/699033

API

curl https://kongchang.com/api/v1/knowledge/claims/699033

MCP

get_claim(id=699033)