MuDABench
收藏资源简介：
MuDABench是一个面向大规模文档集合的多文档分析问答基准数据集，专注于中国A股市场文档。该数据集包含两个JSON文件（simple.json和complex.json），每个文件包含166个问答样本，以及589个相关的PDF源文件。每个样本包含一个问题、文档级结构化证据的元数据列表、中间支持事实文本和参考最终答案。元数据包括与PDF文件名匹配的文档ID、公司股票代码、年份、文档类型以及结构化值及其语义说明的模式。数据集要求通过聚合多文档信息来回答问题，而非单一文档阅读。该数据集适用于多文档问答任务的研究，特别是在金融领域的应用。数据集采用Apache License 2.0许可证发布。
MuDABench is a multi-document analysis and question answering benchmark dataset targeting large-scale document collections focused on China's A-share market. This dataset contains two JSON files: simple.json and complex.json, each holding 166 question-answering samples, with a total of 589 relevant source PDF documents across the dataset. Each sample includes a question, a metadata list of document-level structured evidence, intermediate supporting factual texts, and a reference final answer. The metadata includes document IDs matching PDF filenames, company stock codes, publication years, document types, as well as schemas for structured values and their semantic descriptions. This dataset requires answering questions by aggregating information from multiple documents rather than relying on single-document reading. It is suitable for research on multi-document question answering tasks, especially for applications in the financial domain. The dataset is released under the Apache License 2.0.
MuDABench 数据集概述
MuDABench 是一个面向大规模文档集合的多文档分析性问答基准数据集，专注于中国A股市场文档的分析性问答任务。
数据集基本信息
- 许可证: Apache-2.0
- 语言: 中文、英文
- 任务类型: 问答（question-answering）
- 数据规模: 少于1,000条样本
- 标签: 问答、多文档、金融、中文
数据内容
数据集包含以下文件：
data/simple.json: 166条问答样本，答案简洁data/complex.json: 166条问答样本，答案详细且具有分析性data/pdf/: 589个源PDF文件，供样本引用
每个问答样本均要求跨多个文档聚合信息，而非单独阅读单一来源。
数据格式
每条数据样本为JSON格式，包含以下字段：
- question: 问题文本
- metadata: 文档级结构化证据列表，每个条目包含：
id: 与PDF文件名匹配的唯一标识符symbol: 公司股票代码year: 年份doctype: 文档类型schema: 解释value_*字段的语义value_*: 结构化数值
- source_answer: 中间支撑事实（文本）
- final_answer: 参考最终答案
不同问题可能使用不同的value_*字段子集。
文件结构
MuDABench/ ├── data/ │ ├── simple.json │ ├── complex.json │ └── pdf/ ├── LICENSE └── README.md
引用方式
如需引用 MuDABench，请引用以下文献：
bibtex @misc{li2026navigatinglargescaledocumentcollections, title={Navigating Large-Scale Document Collections: MuDABench for Multi-Document Analytical QA}, author={Zhanli Li and Yixuan Cao and Lvzhou Luo and Ping Luo}, year={2026}, eprint={2604.22239}, archivePrefix={arXiv}, primaryClass={cs.CL}, url={https://arxiv.org/abs/2604.22239}, }
