斯坦福研究：仅需 2 次提交即可刷出排行榜虚假冠军

斯坦福团队（Allouah、Duchi、Koyejo）发布研究，指出 HELM、LiveBench、Open LLM、SWE-bench、Terminal-Bench-Science 等榜单提供的分维度分数会在每次提交中泄露测试集信息，攻击者少至 2 次提交就能造出一个在未见数据上实际落后的榜单冠军。