MMLU (Massive Multitask Language Understanding) — LLM Ewaluacja i benchmarki Dataset
The gold-standard multi-subject benchmark: 16k multiple-choice questions spanning 57 subjects from STEM and humanities to law, medicine, and social sciences. Every major LLM is evaluated on MMLU. A model scoring >80% is considered strong; GPT-4 scores ~87%, Llama 3 70B ~82%.
Dataset Details
| Provider | cais |
| Category | Ewaluacja i benchmarki |
| Size | 16k Questions |
| License | MIT |
| Downloads | 12M |
| Tags | Benchmark, Multiple-Choice, 57-Subjects, STEM, Reasoning |
from datasets import load_dataset
ds = load_dataset("cais/mmlu")
Powiązane zbiory danych
- MATH (Hendrycks) — Benchmarking competition math ability
- Winogrande — Benchmarking commonsense reasoning
- HumanEval — Benchmarking Python code generation - never train on it
- MT-Bench — Judging multi-turn chat quality with LLM-as-judge
Najczęstsze pytania
Czy mogę użyć MMLU (Massive Multitask Language Understanding) komercyjnie?
Tak — MMLU (Massive Multitask Language Understanding) jest udostępniony na licencji MIT, liberalnej licencji pozwalającej na użycie komercyjne, w tym trenowanie modeli wdrażanych w produkcie. Przed publikacją sprawdź wymogi atrybucji na karcie zbioru.
Ile danych zawiera MMLU (Massive Multitask Language Understanding) i czy potrzebuję wszystkich?
MMLU (Massive Multitask Language Understanding) zawiera 16k Questions. To benchmark ewaluacyjny, używany w całości do mierzenia modeli — nigdy nie mieszaj go z danymi treningowymi, bo wyniki benchmarku stracą sens.
Do czego MMLU (Massive Multitask Language Understanding) nadaje się najlepiej?
Benchmarking general knowledge - never train on it. Należy do sekcji „Ewaluacja i benchmarki" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.
← Wszystkie zbiory danych | Fine-Tuning Guide