标签索引

数据污染

这个标签下有 5 篇文章。按时间回看相关判断与实践记录。

标签精选

社区质疑DeepSeek存在“背题”行为，或导致基准评分虚高

来自科技社区的用户观察指出，DeepSeek模型在应对特定逻辑推理题时，表现出明显的“背题”倾向。该模型似乎倾向于直接从记忆的题库中检索答案，而非进行逐步推理；若记忆答案本身错误，模型便难以自我修正。这种现象引发了关于AI模型评分机制的深层...

2026-03-211 分钟阅读154 阅读

OpenAI 近日发布博文，宣布正式弃用 SWE-bench Verified 基准，揭露了当前 AI 编程评估体系的两大致命隐患。首先是严重的数据污染，由于测试题源自 GitHub 开源仓库，导致这些代码也被用于模型训练，使得 GPT-5...

2026-02-251 分钟阅读257 阅读

近日，有用户在使用谷歌Gemini生成视频时，发现画面右下角竟意外出现了字节跳动旗下AI产品“豆包”或其相关项目的特征性水印。这一“翻车”事件引发社区热议，暗示谷歌在模型训练过程中，可能混入了由竞争对手AI生成的合成数据。这不仅暴露了谷歌数...

2026-02-211 分钟阅读203 阅读

近期发现Gemini、Claude、Kimi、DeepSeek等主流大模型在随机角色扮演中，均有极高概率生成“苏晚晴”这一特定名字。这一现象并非巧合，而是训练数据库污染及模型蒸馏过程中数据同质化的体现。该缺陷源于早期模型的数据偏差，并在后续...

2026-01-301 分钟阅读177 阅读

当前AI模型训练面临数据污染的挑战，一位开发者正在寻找未被大型语言模型学习过的50页PDF素材，用于对比测试半开源项目pageindex与text-embedding-3-small的性能。pageindex项目通过LLM创建索引以提高召回...

2025-12-091 分钟阅读189 阅读