一、通用问答基准数据集

1. HotpotQA

   • 特点：包含11万+多跳问答对
   • 最佳用途：测试复杂推理能力
   • 数据示例：

     {"question": "Were Scott Derrickson and Ed Wood of the same nationality?","answer": "Yes, both are American"
     }
     

2. MS MARCO

   • 特点：百万级真实用户查询+Bing搜索结果
   • 下载方式：

     wget https://msmarco.blob.core.windows.net/msmarcoranking/collectionandqueries.tar.gz
     

3. Natural Questions

   • 亮点：Google搜索真实问题+人工标注答案
   • 特别适合：开放域问答系统测试

二、领域专用数据集

4. COVID-QA

   • 医疗领域：新冠相关问答对
   • 包含：2,000+医学专家验证的QA对

5. LegalBench

   • 法律领域：8种法律任务测试集
   • 文件类型：

     case_law/
     statutory_interpretation/
     contract_analysis/
     

6. FinQA

   • 金融领域：表格+文本混合问答
   • 典型问题：

     “根据2023年Q2财报，公司净利润增长率是多少？”

三、压力测试数据集

7. DBPedia-Entity

   • 规模：400万+实体查询
   • 测试场景：
     • 大规模知识库检索效率
     • 实体链接准确性

8. TriviaQA

   • 特点：65万+琐事问题
   • 挑战性：需要广泛常识推理

四、多语言测试集

9. XQuAD

   • 覆盖：11种语言（含中文）
   • 使用建议：

     from datasets import load_dataset
     dataset = load_dataset("xquad", "xquad.zh")
     

10. MLQA

    • 亮点：平行语料跨语言评估
    • 语言对：EN-ES/DE/AR等7种

五、对抗性测试集

11. AdversarialQA

    • 设计目的：专门挑战QA系统弱点
    • 三种变体：
      • DBERT（基于BERT的对抗样本）
      • DRO（动态对抗优化）
      • BiDAF（上下文误导）

12. StrategyQA

    • 特点：需要隐含推理的问题
    • 示例：

      “用微波炉加热金属餐具会导致火灾吗？”
      （需推理：金属反射微波→火花→火灾风险）

六、企业级测试工具包

13. RAGAS

    • 专为RAG设计的评估库
    • 关键指标：

      from ragas import evaluate
      metrics = ["faithfulness",  # 事实忠实度"answer_relevance",  # 答案相关性"context_recall"  # 上下文召回
      ]
      

14. TruLe