Question answering accuracy (overall) on real scene benchmark.

Figshare2025-11-13 更新2026-04-28 收录

医疗问答系统评估

真实场景基准测试

数据链接：

https://figshare.com/articles/dataset/Question_answering_accuracy_overall_on_real_scene_benchmark_/30613877 数据链接链接失效反馈

官方服务：

资源简介：

Question answering accuracy (overall) on real scene benchmark.

创建时间：

2025-11-13

RepLiQA

医疗问答系统评估

语言模型测试

RepLiQA是一个评估数据集，包含上下文-问题-答案三元组，上下文涉及虚构的实体，如人物或地点，不真实存在。该数据集旨在测试大型语言模型（LLMs）在提供文档中查找和使用上下文信息的能力。与现有问答数据集不同，RepLiQA的非事实性确保模型性能不受LLMs记忆训练数据中事实的能力影响，可以更自信地测试模型利用提供上下文的能力。数据集涵盖17个主题或文档类别，每个文档附带5个问题-答案对。此外，

github2024-06-19 更新321

relai-ai/rasa-reasoning

对话式AI推理

医疗问答系统评估

这是一个针对问题回答任务的英文数据集，由RELAI使用rasa数据源生成，遵循CC BY 4.0许可。数据集的详细描述在README文件中并未直接给出。

Hugging Face2025-04-21 更新90

rob-substrate/agent-answers

智能体回答

医疗问答系统评估

该数据集包含了三个子数据集：Gaia、Math和SimpleQA。每个子数据集都由模型ID、动作类型、问题、原始问题、答案、正确答案、来源、中间步骤、开始时间、结束时间和输入输出token计数等特征构成。数据集以测试集的形式提供，分别包含不同数量的示例。

Hugging Face2025-04-07 更新70

math-extraction-comp/allenai__Llama-3.1-Tulu-3-8B-SFT

医疗问答系统评估

模型性能比较

这是一个包含问题、答案、目标、预测以及其他评估分数字段的数据集，用于训练和评估模型。数据集分为训练集，共有1324个示例。

Hugging Face2025-01-26 更新100

kap_bir_inference_results

知识问答

医疗问答系统评估

该数据集包含52个训练样本，主要字段包括：唯一标识符(id)、公司名称(company)、问题文本(question)、预期答案(expected_answer)、模型生成答案(model_answer)、模型名称(model_name)以及上下文匹配标记(context_found)。数据集采用单训练集划分，总大小约22KB。数据格式包含字符串、整型和布尔型字段，适用于问答系统评估、企业知识库构

Hugging Face2026-05-05 更新80

Question answering accuracy (overall) on real scene benchmark.

资源简介：

相关数据集