Датасет · Tevatron
Бенчмарк для оценки систем глубокого поиска (Deep-Research)
Tevatron/browsecomp-plus
Тестовый набор сложных поисковых запросов и фиксированный корпус из 100 тысяч веб-документов для честного сравнения агентов.
Что внутри
Датасет содержит менее 1000 сложных запросов на логический вывод из бенчмарка BrowseComp от OpenAI. Вместо поиска в живом интернете оценка проводится по фиксированному корпусу примерно из 100 тысяч отобранных веб-документов, включающему подтвержденные людьми доказательства. Это позволяет изолировать качество работы ретривера и LLM-агента.
Что можно сделать
- Сравнение и оценка Deep-Research агентов в воспроизводимых условиях
- Тестирование ретриверов на сложных многошаговых запросах
- Отладка пайплайнов поиска и синтеза ответов по большой базе документов
- Задачи
- Вопрос-ответ
- Размер
- до 1K записей
- Скачиваний за месяц
- 33,7 тыс.
- Лайков
- 41
Как загрузить
from datasets import load_dataset
ds = load_dataset("Tevatron/browsecomp-plus")