AX-b (Broadcoverage Diagnostics)

GLUE基准测试附带手动设计的评估数据集，用于对各种语言现象的系统性能进行细粒度分析。 该数据集通过自然语言推理 (NLI) 问题评估句子理解。NLI任务非常适合我们的目的，因为它可以包含语言理解中涉及的大量技能，从解决句法歧义到高级推理，同时仍支持直接评估。