当前，随着全球数据要素市场建设提速，多源异构数据的集成融合已成为企业数字化转型、跨主体数据共享流通、数字应用场景落地的核心基础环节。但长期以来，业内缺乏覆盖数据集成全流程的标准化基准测试工具，现有测试集大多仅针对实体匹配、模式匹配等单一环节设计，无法模拟真实场景下全链路的误差传导、流程耦合问题，导致不少实验室表现优异的算法在落地时出现性能跳水，也难以对不同数据集成系统的整体性能进行横向对标。
2026年6月29日，德国曼海姆大学研究团队在arXiv平台首发全新基准数据集MaDI-Bench，作为业内首个端到端关系数据集成基准测试集，其核心定位是为数据集成系统的全流程性能评估提供统一的标准化测试标尺。
据公开信息显示，MaDI-Bench共覆盖游戏、公司、音乐、产品、科学论文五大高频数据集成应用领域，设置20个不同复杂度的集成任务，总计包含超93000条标记记录对、1000条人工验证的融合记录以及近11000个验证属性值，所有原始数据均来自DBpedia、Metacritic、Forbes、Discogs等公开异构数据集，最大程度还原了真实场景下多源数据的异构性、噪声特征。
为了适配全流程测试需求，该数据集的创建过程专门设计了基础任务+变体生成的逻辑，完整覆盖从模式匹配、值规范化、实体匹配到数据融合的所有核心环节，同时配套人工核验的黄金标准结果，能够精准定位不同集成环节的误差表现，以及多环节耦合带来的性能损耗。
从应用价值来看，MaDI-Bench首先可为数据集成领域的学术研究提供统一的测试底座，研究人员可基于该数据集横向对比不同算法框架在端到端场景下的实际表现，重点攻关全流程集成的耦合性优化、误差传导抑制等行业共性难题；在产业端，面向数据中台建设、多源数据治理、跨域数据融合等场景，企业可借助该基准测试集验证自身数据集成工具的落地适配性，例如电商平台整合多渠道商品数据、金融机构整合跨来源企业征信数据、文娱平台整合异构版权内容数据等场景，都可依托MaDI-Bench完成系统性能预评估，降低落地风险。
该数据集的发布，也将进一步完善全球数据治理领域的工具体系，为数据集成技术的标准化迭代、数据要素流通的底层能力建设提供重要支撑。
详情页内容：
_1769672084863.jpg)