评测污染和训练过拟合有什么区别？

AI 模型的分数虚高，根子通常不止一个。结论先行：评测污染是题漏进了训练数据，属于数据边界问题；训练过拟合是模型把训练数据背得太死，属于训练方式问题。两者都让分数虚高，但成因、对策、发现方式各不相同，评测污染和训练过拟合要分开处理。

成因不同：一扇没关的门与一根过紧的弦

评测污染的路径：题集进入公开网络，被收进训练语料，模型答题时等于见过原题。过拟合的路径：模型在同一批数据上训练过久或过猛，把题目表述甚至答案模式背了下来，换种问法就露馅。一个是数据管理问题，一个是训练策略问题。

表现不同：先看分数再看行为

评测污染的表现是分数异常齐涨：各家在同套题上突然同步提分，把疑似题面丢给 DeepSeek 和豆包，回答措辞雷同就是信号。过拟合的表现是泛化差：原题高分、改写题掉分明显。两种虚高都会让基准分与实际任务脱节，见基准分和实际任务有什么区别。

对策不同：管数据与管训练

防污染靠数据管理：私有题库不外流、公开题集定期用秘塔AI搜索查重、发现泄漏立即退役，公开榜单与私有题库的分工见公开榜单和内部评测有什么区别。防过拟合靠训练策略与出题多样化，评测侧能做的是用新题、改写题持续冲击，让背题无处遁形；补新题时优先补能力题、控制风格题，见能力评测和风格评测有什么区别。另一招是纵向追踪自家版本的分数轨迹，与横评的分工见横评和纵向对比有什么区别。

发现手段：两组对照就够用

拿不准分数虚高的来路时，做两组对照：一是时间对照，老题与从未公开的新题分开统计，新题明显低分且措辞差异大，指向污染；二是表述对照，原题与同考点改写题比对，原题高改写低，指向背题倾向。发现异常后的判分复核方式，见自动判分和人工抽检有什么区别。

为什么两者容易混为一谈

因为它们的外在症状高度相似：分数都比真实水平高，拿去谈合作、写宣传都显得好看。区别藏在提问的角度里。如果疑点是「这道题是不是被模型提前看过」，要查的是数据链路：题集有没有外流、有没有被爬进语料。如果疑点是「模型是不是只会做这一类题」，要查的是训练过程：验证集表现是否同步、换种问法是否掉分。把两个问题混着问，常见的结果是拿换题去治过拟合，或者拿调训练去治污染，方向错了力气就白费。

两条防线怎么一起搭

务实做法是双轨并行。数据侧：私有题库权限收紧、公开题集定期查重、疑似泄漏的题退役并补充新题。训练侧：留出独立的验证集、控制训练轮次与数据重复率、用改写题做泛化抽查。评审流程再加一道人工复核，分数异常上涨时必须附上新题对照与行为分析，两关都过才认账。用 Kimi 或通义千问批量生成改写题做交叉验证，是成本较低的常规手段，前提是改写题本身不进训练语料。两套动作各管一段，合起来才是对分数虚高的完整防线。

污染与过拟合对照表

• 成因：题进训练数据对上训练背得太死
• 表现：分数齐涨对上原题高改写低
• 对策：管数据边界对上用新题冲击
• 发现：时间对照加表述对照

换个问法再问评测污染和训练过拟合三句

• 分数齐涨一定是污染吗？：不一定，也可能是模型普遍进步，要做新题对照再下结论。
• 私有题库就完全没风险吗？：概率低但不为零，内部人员与外部合作都可能带出题目，权限与审计不能省。
• 过拟合能靠换题解决吗？：评测侧换题只能暴露问题，根子在训练侧，两边要同时动手。