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")