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
哈工大推出了FewJoint基准数据集，供NLP小样本评测使用。hyper.ai还有其他中文大模型训练的NLP数据集可下载。
延伸解读
小样本学习与 FewJoint 的评测价值
小样本学习旨在让模型通过少量样本掌握新任务，是推动机器智能接近人类智能的关键方向。哈工大推出的 FewJoint 基准数据集为 NLP 小样本评测提供了公共基准，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，覆盖 59 个真实领域，是目前包含领域最多的对话数据集之一。这为研究者提供了更贴近实际场景的评测环境。
中文大模型训练的数据资源概览
除 FewJoint 外，hyper.ai 还上线了多个面向中文大模型训练的 NLP 数据集。例如，100 PoisonMpts 是首个大语言模型治理开源中文数据集，用于偏见与歧视的攻防标注；CLUE 是中文语法理解评测基准；CCI 中文互联网语料库经过严格清洗和去重；PKU 简体中文分词数据集用于分词模型训练与评测。这些资源覆盖了从基础分词到模型治理的多个环节。
AI 治理与科研规范的同步推进
本周更新中，科技部监督司发布了《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 在科研中的应用。与此同时，100 PoisonMpts 数据集通过“投毒”与“解毒”的攻防标注，为中文大模型治理提供了开源数据。这两者从政策与数据层面共同回应了 AI 治理需求，值得研究者关注。
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 NLP 小样本评测基准数据集，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，每人提出 100 个诱导偏见、歧视回答的刁钻问题，并对大模型回答进行标注，完成与 AI 的「投毒」和「解毒」攻防。
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。
CLUE 数据集主要用于什么任务？
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。
PD&CFT 数据集包含哪些内容？
PD&CFT 是第一个中文阅读理解数据集，包含人民日报和儿童童话（People Daily & Children's Fairy Tale）的文本内容。
hyper.ai 平台提供了哪些资源？
hyper.ai 是国内领先的人工智能及高性能计算社区，为 1200+ 公开数据集提供国内加速下载节点，收录 300+ 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。
