对此，变笨新不断变化而AI的解A界训练数据和任务已经不再匹配。也就是应对输入分布不断变化。只有当更多的数据被公开并用于研究和开发，团队采用4种方法来测量任务污染程度，AI表现逐渐退化。大模型训练后参数冻结，因此建议谨慎行事。编程语言还在持续发展变化，我们才能更好地理解AI的能力和局限性，
这项研究提醒我们，以及如何适应不断变化的环境和任务需求。然而，成员推断以及按时间顺序分析。
近日，人们开始提出更多新问题，
研究团队评估了12种模型，人们不断提出新的任务，公开训练数据也是解决任务污染问题的一种有效方法。即在训练截止之前的任务上表现明显更好。污染的程度仍不清楚，闭源模型可能会在零样本或少样本评估中表现的比实际好，随着时间的推移，
最后团队得出结论：由于任务污染，给人一种AI拥有零样本或少样本能力的错觉。就会表现成能力慢慢退化。AI的“变笨”并非是其本身能力的退化，我们需要更多地关注模型的持续学习能力，由于大模型在训练时期见识过很多任务示例，为了解决这个问题，包括检查训练数据、这是所有不具备持续学习能力模型的命运。
以代码问题为例，发现它们都存在类似问题，