同提示词多模型段落文本识别数据集
数据集简介
同提示词段落与 12 个模型标签
本数据集为 Name That LLM 竞赛提供额外的训练与验证数据,核心设计是「同提示词、多作者」:每个提示词由 Kaggle Benchmarks 模型代理可访问的 12 个模型标签各回答一次,因此同一提示词下主题固定,只有作者(模型)不同。任务类型包括文本分类与文本生成,即根据文本判断由哪个模型所写。全部内容通过 Kaggle 免费 AI 配额生成,可复现或扩展。
数据内容与文件构成
数据集包含以下文件:
passages.csv:段落主表,共 1,002 行,记录每条段落的提示词、模型标签、生成参数与质量标记;prompts.csv:提示词表,共 122 行,给出主题、领域、任务类型、风格与口述开头等线索;raw_responses.jsonl:原始响应记录,共 1,695 条;task_code/:任务生成与收集代码(Python)。
数据集整体约 828,613 字节(约 0.8 MB),另有版本记录为 3,368,481 字节。12 个模型标签中,77 个提示词具备全部 12 个标签的完整区块。
通过检查的段落分布
passages.csv 中的 passage_ok 字段标记段落是否通过质量检查;served_matches 表示实际服务模型与请求模型是否一致;n_paragraphs、has_markdown、has_em_dash 等字段用于描述段落形态。按标签统计通过检查的段落数量,可据此评估各模型标签的可用样本量。
生成方式
数据由 Kaggle 用户 haileycheng(显示名 fish enjoyer)使用 Kaggle Benchmarks Model Proxy 生成:对每个提示词,向 12 个模型标签各发起一次请求,记录请求模型(model_requested)与实际服务模型(model_served)的代理 ID,并保存原始响应、令牌用量、费用与耗时等元数据。
passages.csv 的字段说明
passages.csv 包含以下列:
| 字段 | 说明 |
|---|---|
passage_id |
段落唯一标识 |
prompt_id |
所属提示词标识 |
label |
竞赛标签(模型标签) |
model_requested / model_served |
请求模型与实际服务模型的代理 ID |
setting |
生成设置 |
target_words / n_words |
目标词数与实际词数 |
text |
段落正文 |
finish_reason |
结束原因 |
prompt_tokens / completion_tokens / reasoning_tokens |
令牌用量 |
cost_usd / seconds |
费用与耗时 |
response_id |
响应标识 |
run_start |
运行开始时间 |
task_version |
任务版本 |
served_matches |
服务模型是否与请求一致 |
n_paragraphs / has_markdown / has_em_dash |
段落数量与形态标记 |
passage_ok |
段落是否通过检查 |
domain / task_type |
领域与任务类型 |
prompts.csv 的列线索包括主题、领域、任务类型、风格与口述开头。
与竞赛数据的接近程度
该数据集与竞赛数据共享「同提示词、多模型」的结构,可用于补充训练与验证;但由于全部通过 Kaggle 免费 AI 配额生成,模型标签与竞赛正式标签的对应关系需结合 label 字段核对。
快速开始
可直接下载 passages.csv 与 prompts.csv,按 prompt_id 关联后以 label 为分类目标训练文本分类模型;raw_responses.jsonl 可用于复现生成过程,task_code/ 提供任务生成与收集代码。
许可
数据集采用 CC BY 4.0(Attribution 4.0 International)许可,可在 Kaggle 页面下载。文本为机器生成,上游提供方输出条款未公开,因此许可为尽力而为。