发布 Evaluation Dataset for Auto-J 数据集, 应用在 自然语言处理、对话系统评估 领域

本次发布的数据集 Evaluation Dataset for Auto-J, 该数据集包含了从58个不同场景中收集的真实查询和模型生成响应的评价判断，旨在评估大型语言模型的性能。该数据集被划分为58个场景，并设有332项具体评估标准，以指导模型评估工作。其规模包括3,436个成对训练样本和960个单一响应对比。该任务的目的是通过用户查询和响应来评估语言模型的对齐情况。

查看Evaluation Dataset for Auto-J

README 内容： 

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。