一句话定义：基准污染（Benchmark Contamination）是指用来考模型的测试题，在训练阶段就已经以某种形式被模型见过，于是评测分数衡量的是“记没记住”，而不是“会不会做”。
它是怎么发生的
打个比方：期末考试前，出题老师用的正是某本练习册的原题，而这本书的答案和解析早就贴在了学生每天都会路过的公告栏上。学生考了满分，但你无法判断他是真懂，还是刚好记得答案。
大模型的预训练数据来自对公开网页、代码仓库、论文、论坛帖的大规模抓取。而主流基准（benchmark）的题目和标准答案，往往本身就发布在网上，还会被无数博客、教程、问答帖反复转载和讨论——连“为什么选 B”的推理过程都一起写着。模型在预训练时把这些内容读进去，测试时自然会“似曾相识”。更麻烦的是近似污染：题目被改写了几个词、换了数字，模型仍可能顺着记忆里的模式作答。训练语料动辄海量，要逐一剔除这些内容，成本高且很难做干净。
和几个近邻概念的区别
| 概念 | 核心问题 | 责任方 |
|---|---|---|
| 基准污染 | 测试题进入了训练数据 | 数据侧，往往无意识 |
| 数据泄漏（Data Leakage） | 训练信息与测试信息不该重叠却重叠了 | 更宽泛的工程问题 |
| 过拟合（Overfitting） | 模型对训练分布贴合过度 | 模型与训练方法 |
| 榜单调参 | 反复提交、按榜单反馈调模型 | 人的评测行为 |
差别在于：过拟合的模型在没见过的题上也会露怯；而污染的模型在“被污染的那套题”上表现异常好，换一套私有题就可能掉下来。榜单调参不涉及训练数据里混进测试题，但同样会让公开分数虚高，效果类似——都是在“教模型应考”。
对从业者和普通人的实际意义
对做模型和做评测的人：公开榜单（leaderboard）更适合当“上限参考”，而不是结论。稳妥的做法是准备一套不公开的私有评测集（private holdout），题目自己出、不外传，并定期更新，避免它慢慢被下一次训练数据“追平”。看榜单时顺手留意两点：这套题是什么时候发布的，模型的训练数据截止在什么时候；如果题目早于训练数据且公开流传，就要多一分警惕。此外，不同模型之间几个百分点的差距，在污染面前常常说明不了什么。
对普通职场人：看到“某模型在某某考试上超过人类平均水平”这类宣传时，先问一句——这是公开题还是私有题？有没有第三方用新题复现？选型时，最靠谱的一步永远是自己拿一批真实业务里的问题去测，而不是看跑分。具体的基准构成、更新频率和评测方法，以官方页面为准。
一句话收尾：分数是线索，不是证据；公开榜单和私有评测一起看，才不至于把“背过题”当成“会做题”。