GPQA 基准疑似被训练污染
teortaxesTex · x · 2026-07-16
这条在吐槽一个研究现象：有人把 GPQA Diamond 的评测数据做了“很轻微的改写”，然后拿去训练了 10 个 epoch。
核心意思是：即便只是轻度重写，若训练集和基准测试集重叠，仍会严重污染评测结果，导致模型成绩看起来更好但不可信。
所属事件:SOOFI 评测泄漏与基线对比争议(13 条相关)→
「研究」频道最新
- Kolab 基准：真人屏幕录像揭示 AI Agent 高估自身协作质量 — minnesotanlp · 2026-10-27
- 一个样本就能刷过公平性基准，EMNLP 论文质疑 BBQ 可信度 — radamihalcea · 2026-10-27
- 一段手机视频生成2000条机器人演示,Real2Sem2Real媲美150条遥操数据 — Scobleizer · 2026-10-27
- 从权重范数几何理解MuonH:尺度不变网络中梯度垂直于权重 — jasondeanlee · 2026-10-27
- 用 Sail 等价性证明与 riscv-coq 交叉验证 RISC-V 规范,发现真实 bug — xennygrimmato_ · 2026-10-27
- Kokotajlo 质疑 CoT 监控性评测:如果模型不拒绝篡改思维链呢 — dfrsrchtwts · 2026-10-27