如何避免 Benchmark 成为“记忆游戏”

读完了第七章关于 Agent 评估的内容，有一个问题最近一直困扰着我：公开 Benchmark 如何避免被污染？

很多 LLM / Agent Benchmark 都是公开的，这样方便大家复现和比较。但长期来看，这些数据很可能进入后续模型的预训练或后训练数据中，评测也可能逐渐从“能力测试”变成“记忆测试”。

我自己也遇到了这个问题。我在物理建模领域构造了一个面向 Agent 的评测数据集，现在不知道应该如何发布。如果开源，别人使用方便，但很快就会成为记忆游戏；如果不公开，别人又很难复现和使用。

所以想请教作者和大家：Benchmark 在开放性和防污染之间，如何获得最大平衡？ 也想听听对未来评测方式的看法。

PS：我目前想到的一种方法，是把数据集部署在服务器上，让其他人的 Agent 直接在服务器上进行评测，这样他们看不到数据集本身。但我又担心，Agent 在评测过程中仍然可能把测试数据提取出来，最终还是会造成泄漏。