基准污染是指评测用的题目或答案，在模型训练前就已经混进了训练数据。模型不是现场解题，而是凭记忆作答，分数看起来很高，却不能证明它真的掌握了这项能力。
污染是怎么发生的
最常见的一种，是训练语料直接收录了公开评测集。评测题一旦公开发布，就可能被爬虫抓进网页、论文、代码仓库和问答帖，再随大批量语料一起喂给模型。第二种是间接泄露：题目被改写、翻译、拆成讨论帖，答案藏在解析文章里，模型记住的是同一道题的另一种说法。第三种发生在评测环节：同一批题目被反复用来调参、选模型，分数慢慢被“调”了上去，评测集失去了裁判作用。
分数虚高，不代表能力虚假
基准污染最容易被误读成“模型在作弊”。多数情况下，污染是数据管线的问题，不是模型故意背题。真正的问题在于，分数的含义变了：它衡量的不再是泛化能力，而是记忆覆盖面。一个在某套数学题上得分很高的模型，换一套新出、没公开过的同类题目，成绩可能明显回落。反过来，分数不高也不等于模型没用，有些能力强的模型只是没见过那套题的出题风格。
看分数时先问四个问题
一是题目新不新：评测集是否最近才发布、是否与训练数据做了去重。二是评测方式透不透明：有没有说明去重方法、是否公开了污染检测结果。三是有没有多套证据：同一能力是否在不同来源、不同形式的评测里都表现稳定。四是看实际任务：把模型放进真实工作流试一小段，观察它在没见过的数据上的表现，这比只看榜单更可靠。
两个常见误解
误解之一，是把“刷榜”和“污染”划等号。针对评测格式做优化、选最适合的提示词，属于合规的应试技巧；只有训练数据里混入评测内容，才算污染。误解之二是以为开源模型才有这个问题。闭源模型同样要面对公开语料里的评测题，区别只在于外界更难核查它的训练数据。读模型发布消息时，分数永远要和评测方法一起看，单独一个数字说明不了太多。
