研究揭示主流大模型评测集存在严重污染

一项最新研究对 GPQA、MMLU-Pro 和 MMMU-Pro 等多个热门大模型评测基准进行了系统审计，发现存在严重的题目污染问题。数据显示，受审查的评测集中最多有 12% 的题目存在问题。在修复这些污染问题后，模型的测试得分大幅提升，甚至逼近满分。这一发现揭示了当前主流评测体系存在的漏洞，对大模型真实能力的评估提出了严峻挑战。

2026-07-29 ~ 2026-07-29 · 2 条相关