待验证50% 置信事实精确时间
基准测试饱和（benchmark saturation）指当多个模型在某项基准上都接近满分时该基准失去区分能力，促使社区推出 GPQA、SWE-bench 等新评测标准
1
来源数
50%
置信度
长期有效
时效性
2026/8/30
首次发现
来源
涉及实体
相关事实
待验证评测游戏（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69% 相似待验证核心价值在于两次检测形成基线-复测对比，能直观反映补充方案是否有效，这是单次检测产品无法提供的闭环反馈68% 相似待验证任何性能宣称都应指向具体Benchmark并注明版本及测试机构，否则缺乏科学依据66% 相似待验证基准测试本身就是一种数据激活的手段，为领域数据赋予清晰的优化方向66% 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65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/823884API
curl https://kongchang.com/api/v1/knowledge/claims/823884MCP
get_claim(id=823884)