ArxivMIA
收藏arXiv2025-09-30 收录
下载链接：
https://github.com/zhliu0106/probing-lm-data
下载链接
链接失效反馈官方服务：
资源简介：
该数据集名为ArxivMIA，是一个全新的基准数据集，包含了来自Arxiv网站的计算机科学和数学领域的摘要。它旨在评估在具有挑战性的情境下，预训练数据检测方法的效果。ArxivMIA数据集的特点是平均句子长度较长，每样本平均包含143.1个标记。该数据集特别构建了包含成员数据和非成员数据，非常适合用来测试在RedPajama数据集上预训练的大型语言模型。该数据集规模为2000个样本，任务是对预训练数据检测。
提供机构：
Arxiv
