Unverified50% confidenceOpinionExact time
使用模型训练过程中未接触过的unseen样本可以有效避免评测污染（benchmark contamination），提高测试可信度
1
Sources
50%
Confidence
Long-term
Relevance
8/25/2026
First Seen
Sources
Related Entities
Related Claims
Unverified为应对测试环境应试化，研究者建议引入模型无法预知的隐藏测试、动态评估、活基准（live benchmark）等方法76% similarUnverified在训练前的数据入口处做完整性校验可以降低调试难度、避免因数据缺陷浪费训练运行，并建立对数据集的基本信任75% similarUnverified公开的安全评测集存在被纳入训练数据导致评测污染的风险，污染包括模型厂商刷分和恶意者研究测试集开发绕过变体两种风险74% similarUnverified归一化参数必须只从训练集计算，然后套用到验证集和测试集，以避免数据泄漏72% similarUnverified测试者使用Codex生成编程题目以避免数据污染问题，确保题目未出现在任何模型的训练集中72% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/798079API
curl https://kongchang.com/api/v1/knowledge/claims/798079MCP
get_claim(id=798079)