模型在训练时见过测试题，会让评测结果失真。
基准污染就像考前偷看题库：上榜时像学霸，换套卷子立刻原形毕露。
它会让模型评测虚高，常见于排行榜、第三方评测，也逼着训练数据更仔细清洗。
Pretraining
如果测试集内容混进预训练数据，后面的评测成绩就不再可靠。
LLM
benchmark contamination 会让人高估 LLM 的真实能力，以为它会做，其实只是见过。
AGI
当大家用基准分数判断 AGI 进展时，污染会让结论显得过度乐观。
AI-regulation
监管若参考被污染的评测结果，可能建立在失真的能力判断上。