政策

当基准测试成为训练数据：AI评估体系的信任危机 基准测试的信用崩塌：当评估标准沦为训练数据的附庸 OpenAI承认GSM8K数据污染只是冰山一角，这一事件暴露的不仅是某个基准测试的技术缺陷，而是整个AI能力评估体系的信任危机。当主流基准测试普遍面临数据泄露风险时，行业赖以决策的分数体系正在失去其科学根基。 分数竞赛的幻觉：从GSM8K到AGI声明的评估失灵 GSM8K事件的核心问题在于，当测试数据已经渗透进训练集，模型的高分不再反映真实