谷歌推出全球首个专有前沿AI模型的双盲评估，通过加密“盒子”防止模型提前看到测试题，避免基准污染。与新加坡AI安全研究所等合作，测试Gemini Flash Lite模型，确保评估数据与模型权重互不可见，提升评估完整性。此举解决传统评估中泄露测试题或模型知识产权的权衡，增强AI基准的可信度，尤其适用于网络安全等敏感领域。

本研究提出了一种水印化方法，有效解决大型语言模型评估中的基准污染问题，能够在不影响基准效用的情况下检测污染迹象。实验结果表明，水印化后基准效用保持不变，并成功识别出显著的污染现象。

本研究针对大型语言模型评估中的基准污染问题，提出了无偏评估者协议，提供了更全面的评估方法，揭示了模型改进的空间及基准污染的证据。

本研究探讨了大语言模型中的基准污染问题，发现七个流行的多语言基准在多个模型中均存在污染迹象。这一发现为学术界选择更优的多语言评估基准提供了参考。