直接回答：数据污染指基准测试的题目或相似变体进入了模型的训练语料，模型实际是“背答案”而非真实能力，导致基准分数虚高、横向比较失真。常见形式：整题原样被抓进预训练语料、题目被改写后出现在指令微调数据里、测试集从公开网页泄露被爬虫收录。

展开解析：识别手段分三层。其一，n-gram 重叠检测：把测试题切 8~13 gram 与训练语料比对，命中率高即污染，GPT-3、Llama 报告都用过此法；其二，扰动测试：对题目做同义改写、换数字、换变量名后重测，分数暴跌说明靠记忆；其三，金丝雀串（canary string）：新基准埋入唯一标识串（如 BIG-bench 的 26 位 GUID），要求数据清洗方按串过滤。工程上的规避：优先用发布后新建的动态基准（如 LiveBench 按月更新题目）；内部评测集永不外发、不进任何公开仓库；报告分数时同时给出污染检测结果与模型训练数据截止时间。还要注意“软污染”：模型刷过大量同类题型的解题模板，泛化表现好但遇到反模式题就崩，这类只能靠分布外测试集识别。

追问方向：污染检测的 n-gram 阈值如何设定？闭源模型无法查训练语料怎么办？

（约 460 字）