清华大学 发布 DataSciBench 数据集, 应用在 数据科学、自然语言处理 领域

清华大学 本次发布的数据集 DataSciBench, DataSciBench是由清华大学和智谱AI共同构建的一个全面评估大型语言模型在数据科学领域任务性能的基准。该数据集包含222个真实、具有挑战性且高质量的数据科学任务提示，涵盖了数据清洗与预处理、数据探索与统计理解、数据可视化、预测建模、数据挖掘与模式识别、解释性与报告生成六大任务类型。数据集通过在线平台CodeGeeX、公共代码基准BigCodeBench、人工编写以及LLM生成等方式收集问题，经过专家审核和验证，确保了数据集的质量和可靠性。该数据集旨在推动大型语言模型在数据科学领域的研究和应用，解决复杂的数据分析问题。

查看DataSciBench

关于 清华大学 , 清华大学，位于中国北京，是一所享誉全球的顶尖研究型大学，以其深厚的学术底蕴和杰出的科研能力而著称。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。