arXiv cs.CL· Esther Xin·2026-10-16 12:00· 3 小时前AI 评分39

应该移除什么？评估 RLVR 数据去污染的可靠性与成本

What Should We Remove? Evaluating the Reliability and Costs of RLVR Data Decontamination

AI 导读

研究审计 16 个开放 RLVR 数学语料库、1,673,514 条训练样本与 6 个基准的 1,949 道题，评估八种去污染策略的可靠性与数据损失成本。余弦阈值 0.80 下，59 个抽样删除中 52 个（88%）被确认为误删，预注册语义阈值 0.80–0.98 均未达 90% 保守精度目标。

来源：arXiv cs.CL · arxiv.org