К содержимому

Датасет · citeright

Корпус научных статей с чанками и индексами FAISS для RAG

citeright/corpus

От 10 тыс. до 100 тыс. примеров из научных статей на английском с готовыми чанками и FAISS-индексами для проверки точности цитирования.

Что внутри

Исследовательский датасет объёмом от 10 до 100 тысяч записей, созданный в рамках проекта Faithful RAG (EPFL, весна 2026) для изучения точности цитирования в научной литературе. Внутри лежат JSON-файлы с заранее нарезанными семантическими чанками двух размеров (крупные по ~2 000 символов и мелкие по ~300 символов), а также готовые векторные индексы FAISS.

Что можно сделать

  • Оценка и доработка RAG-систем для поиска по научным публикациям без галлюцинаций в ссылках.
  • Сравнение качества поиска при разной гранулярности разбиения текста (300 против 2 000 символов).
Языки
Английский
Размер
10K–100K записей
Скачиваний за месяц
39,1 тыс.
Лайков
0

Как загрузить

from datasets import load_dataset

ds = load_dataset("citeright/corpus")