为提高基准成绩而专门优化模型或提示。
基准刷分像高考只背押题卷：榜单挺光鲜，真干活连外卖地址都填错。
它会抬高榜单分数，干扰模型选型。
Benchmark contamination基准污染会让刷分更容易，也更难被发现。
Leaderboard刷榜优化通常围绕榜单排名展开。
MMLU热门基准越常被引用，越容易被专项优化。
Reward hacking它像评测里的奖励黑客，追分不追真能力。