Benchmark Data Contamination of Large Language Models: A Survey
https://arxiv.org/abs/2406.04244

大规模语言模型的基准数据污染：一项综述

摘要

大规模语言模型（LLMs），如GPT-4、Claude-3和Gemini的快速发展，改变了自然语言处理领域。然而，这也引发了一个重要问题，即基准数据污染（BDC）。这种现象发生在语言模型在训练过程中无意间整合了评估基准的数据，导致评估阶段的性能不准确或不可靠。本文回顾了LLM评估中的BDC这一复杂挑战，并探讨了替代评估方法，以减轻传统基准带来的风险。此外，本文还探讨了在减少BDC风险方面的挑战和未来方向，强调了问题的复杂性以及为确保LLM评估在现实应用中的可靠性所需的创新解决方案。

1 引言

近年来，得益于GPT-4 [107]、Claude-3 [4]和Gemini [137]等大规模语言模型（LLMs）的快速进展，自然语言处理（NLP）领域经历了显著变革。这些模型基于诸如Transformer [142]等深度学习架构，彻底改变了包括内容生成、摘要、机器翻译和问答等领域。通过展现出理解和生成类人文本的卓越能力，它们在学术界和工业界都获得了广泛关注和认可。
在LLM发展的热潮中，一个关键问题浮现：基准数据污染（BDC）。这一现象指的是语言模型在训练过程中整合了与评估基准相关的信息，导致评估阶段的性能偏差或不可靠。当前的挑战涉及LLM的评估过程及其隐私和安全问题 [17, 18, 53, 60, 73]。尽管有些研究认为这种现象是有益的 [12]，或不将其视为问题 [16]，但学术界的大多数研究认为，BDC对LLM评估的可靠性和有效性构成了重大挑战，削弱了对其输出的信任，阻碍了其在现实中的应用 [69, 83, 98, 119, 126, 178]。
LLM的传统评估方法通常依赖于基准数据集，作为衡量模型性能的标准。尽管这些基准对模型的评估、验证和比较至关重要，但它们也难以避免BDC问题。随着AI生成内容（AIGC）的兴起，这一问题变得愈发复杂且难以检测。用于训练和微调LLM的数据集中可能包含与基准相关的信息，如元数据、标签分布和上下文数据，这些信息可能无意间影响模型的行为和评估性能。因此，基于传统基准的评估可能无法准确反映LLM的真实能力，并可能导致对其性能的错误结论。
面对BDC问题的广泛挑战，研究人员开始探索替代评估方法，以减少传统基准带来的风险。一些有前途的方案被提出，例如通过使用LLM重新生成基准数据 [158, 180, 181]，以减少BDC的影响，以及基准无关评估 [24, 87, 166]，试图避免完全依赖预定义的基准。这些方法旨在以更灵活、自适应和可靠的方式评估LLM。
随着LLM的快速发展，BDC问题在研究界变得越来越重要。然而，当前还没有一项全面的、系统性的研究来深入讨论和定义这一问题。本文旨在通过提供一项关于LLM中BDC的综合综述，填补这一空白。在本综述中，我们定义了BDC问题，并将现有研究分为两大类：检测技术和缓解策略。第一类关注如何识别和检测BDC风险，而第二类则侧重于缓解当前LLM评估过程中BDC问题的策略。通过进行这项综述，我们提供了对LLM中BDC问题的全面理解，并为这一关键问题的检测和缓解提供了见解。
本文的结构如下。第2节提供了关于LLM的相关背景信息，并定义和讨论了BDC问题，并给出了一些示例。第3节和第4节分别对现有的BDC检测方法和缓解策略进行了全面回顾。检测方法分为匹配型和比较型两类。缓解策略则进一步分为三类：新数据的策划、现有数据的重构和无基准评估。每个类别中都会讨论关键的方法。随后，第5节探讨了在减少BDC风险方面的挑战和未来方向，承认了开发稳健评估策略的复杂性和权衡。