待验证50% 置信权衡取舍精确时间
'刷榜'（benchmark gaming）现象普遍存在，模型在训练或微调阶段可能接触过测试集相关数据，导致分数虚高但泛化能力不足
1
来源数
50%
置信度
长期有效
时效性
2026/9/22
首次发现
来源
涉及实体
相关事实
已验证漂移检测存在权衡：阈值设置过于敏感会导致频繁误报和不必要的重训，设置过于宽松则可能让模型性能在无感知中持续退化76% 相似待验证Benchmark overfitting is a systemic limitation where models score high through targeted training on test sets without corresponding improvements in generalization.75% 相似已验证部分模型存在针对测试集过度优化的风险，导致榜单分数与真实场景表现出现偏差（Benchmark饱和）75% 相似已验证若用含测试集的全量数据计算均值和标准差，会导致预处理泄漏，使评估指标虚高，无法真实反映模型泛化能力74% 相似待验证基准测试存在分布偏差，测试集的任务类型、难度分布和仓库规模未必代表真实开发场景，Max模式会提升得分但大幅增加Token消耗74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/940233API
curl https://kongchang.com/api/v1/knowledge/claims/940233MCP
get_claim(id=940233)