每周编辑精选｜FewJoint 基准数据集上线、科技部监督司发布 AI 新规
内容提要
哈工大推出FewJoint基准数据集，用于NLP小样本评测。hyper.ai提供其他中文大模型训练的NLP数据集。
延伸解读
FewJoint 数据集的领域覆盖特点
FewJoint 基准数据集包含 59 个真实领域，是目前领域最多的对话数据集之一。其语料来自讯飞 AIUI 开放平台的真实用户语料和专家构造语料，比例约为 3：7。这种多领域设计有助于评估模型在跨领域小样本场景下的泛化能力，为 NLP 小样本研究提供了更全面的测试基准。
中文大模型训练资源的多样性
hyper.ai 本周上线的数据集中，既有面向小样本评测的 FewJoint，也有针对大模型治理的 100 PoisonMpts、中文语言理解评测 CLUE、维基百科数据集、中文互联网语料库 CCI、分词数据集 PKU 等。这些资源覆盖了从预训练、评测到治理的不同环节，为中文大模型的训练与评估提供了多维度支持。
AI 治理与科研规范的新动向
100 PoisonMpts 是首个大语言模型治理开源中文数据集，通过专家标注诱导偏见和歧视的问题，推动 AI 的“投毒”与“解毒”攻防。同时，科技部监督司发布的《负责任研究行为规范指引（2023）》也针对 AI 在科研中的应用提出了规范。两者共同反映出 AI 治理和科研伦理正受到越来越多的关注。
Q&A
FewJoint 基准数据集是什么？它有什么特点？
FewJoint 是哈工大推出的用于 NLP 小样本评测的基准数据集，来自讯飞 AIUI 开放平台的真实用户语料和专家构造语料（比例约 3:7），包含 59 个真实领域，是目前包含领域最多的对话数据集之一。
100 PoisonMpts 数据集是做什么的？
100 PoisonMpts 是业内首个大语言模型治理开源中文数据集，由数十位专家学者标注，通过提出诱导偏见、歧视回答的刁钻问题并对大模型回答进行标注，实现与 AI 的「投毒」和「解毒」攻防，旨在对抗 AI 的偏见和歧视。
科技部监督司针对 AI 在科研中的应用发布了什么规范？
2023 年 12 月 21 日，科技部监督司发布《负责任研究行为规范指引（2023）》，针对人工智能等热点问题，规范了 AI 等技术在科研中的应用。
hyper.ai 提供了哪些中文大模型训练的 NLP 数据集？
hyper.ai 提供多个中文大模型训练的 NLP 数据集，包括 FewJoint 小样本基准数据集、100 PoisonMpts 中文大模型治理数据集、CLUE 中文语言理解评测基准数据集、Wikipedia 维基百科数据集、CCI 中文互联网语料库、PKU 简体中文分词数据集、Chinese-Poetry 中文诗歌古典文集数据库、PD&CFT 中文阅读理解数据集等。
CLUE 数据集的作用是什么？
CLUE (A Chinese Language Understanding Evaluation Benchmark) 是用于对中文语法理解任务进行训练、校验和测试的数据集。
HyperAI超神经平台目前收录了多少公开数据集和在线教程？
HyperAI超神经已为 1200+ 公开数据集提供国内加速下载节点，收录 300+ 经典及流行在线教程，解读 100+ AI4Science 论文案例，支持 500+ 相关词条查询，并托管国内首个完整的 Apache TVM 中文文档。
