审计发现约10.5%标签错误、35.2%测试集近重复，页面编码还能支撑69%准确率。
推荐理由：高达98.8%的榜单成绩被标签错误、训练测试重复和页面编码捷径共同夸大；移除编码后模型下降11点，说明该基准已难衡量真实文档理解。
阅读原文