К содержимому

Датасет · ming9999

Бенчмарк определения автора-нейросети по тексту

ming9999/maabench

Англоязычный датасет для классификации сгенерированных текстов по пяти семействам LLM с проверкой на сдвиг доменов и версий.

Что внутри

Набор текстовых документов на английском языке (от 100 тысяч до 1 миллиона примеров в формате jsonl), сгенерированных пятью семействами моделей: gpt, claude, gemini, mistral и llama. Данные охватывают академические тексты, комментарии, новости и статьи из вики, разделены на базовую выборку и тесты со сдвигом распределения (новые домены и свежие версии моделей).

Что можно сделать

  • Обучение классификаторов для атрибуции ИИ-текстов конкретным семействам LLM
  • Оценка устойчивости детекторов синтетического текста к новым версиям моделей и незнакомым темам
Задачи
Классификация текста
Языки
Английский
Размер
100K–1M записей
Скачиваний за месяц
294
Лайков
7
Доступ
по запросу на Hugging Face

Как загрузить

from datasets import load_dataset

ds = load_dataset("ming9999/maabench")