hltcoe/Generate-Distill-Data
收藏Hugging Face2025-06-27 更新2025-07-05 收录
下载链接：
https://hf-mirror.com/datasets/hltcoe/Generate-Distill-Data
下载链接
链接失效反馈官方服务：
资源简介：
---
license: mit
---
许可证：MIT许可证
应用场景：
提供机构：
hltcoe相关数据集
hltcoe/megawika-report-generation
MegaWika是一个多语言和跨语言的文本数据集，包含3000万条维基百科段落及其清理后的网络引用。这些段落涵盖了50种语言的维基百科，并且为了方便使用，包含了这些段落最初嵌入的文章。对于非英语的维基百科段落，提供了自动翻译的英文版本。该数据集用于报告生成和多文档摘要任务，支持信息检索。数据集分为两部分：生成整个维基百科部分和迭代生成每个部分的片段。每个实例包含唯一ID、引用数量、文章标题、介绍、
Hugging Face2024-01-19 更新140
hltcoe/megawika
MegaWika是一个多语言和跨语言的文本数据集，包含30百万个维基百科段落及其清理后的网络引用。这些段落涵盖50种语言的维基百科，并提供非英语段落的自动英语翻译。此外，还提取了近130百万个英语问答对，并使用LOME FrameNet解析器检测段落中的FrameNet事件。数据集旨在支持报告生成、摘要、信息检索、问答等多种任务的研究。
Hugging Face2025-01-31 更新200
hltcoe/RankVideo-Dataset
RANKVIDEO是一个基于推理的视频检索重排序器，明确使用视频内容对查询-视频对进行推理以评估相关性。该数据集主要用于训练和评估RANKVIDEO，基于MultiVENT 2.0基准。数据集包含训练数据、视频到查询的映射以及第一阶段检索结果。数据格式为JSONL，每个训练样本包括查询ID、查询文本、视频ID、视频路径、真实标签、教师概率、证据（字幕和ASR）以及教师推理痕迹。
Hugging Face2026-06-02 更新80
hltcoe/coveragebench
CoverageBench是一个用于评估临时检索系统中信息覆盖率的统一基准套件。它关注的是“这组文档是否包含所有重要信息？”而不是“这个文档相关吗？”，衡量检索集覆盖满足信息需求所需的离散信息单元（nuggets）的完整程度。这对于检索增强生成（RAG）尤其重要，因为检索覆盖率的差距会直接导致生成答案不完整或有偏见。数据集包含7个数据集中的334个主题，每个数据集提供主题、nuggets/子主题、
Hugging Face2026-06-10 更新70
hltcoe/wikivideo
Wikivideo数据集是一个与Wikipedia文章相关的视频数据集，旨在用于总结任务。它包含了人类编写的关于视频数据的文章、原始Wikipedia文章、与文章相关的声明，以及音频、视频、OCR文本等模态的布尔值支持列表。数据集中的视频和音频文件被压缩为tar格式，需要特定工具进行下载和解压。数据集还包含了视频的元数据信息，如视频ID、匿名尺度ID、语言、视频类型和相关性。
Hugging Face2025-11-13 更新60
