मूल्यांकन डेटासेट, मॉडल के संस्करणों या prompt की तुलना के लिए इनपुट और अपेक्षित मानदंडों का एक निश्चित समूह है। प्रतिनिधि किनारे के मामलों और मनुष्यों द्वारा जाँचे गए संदर्भों को बनाए रखें; केवल स्वचालित स्कोर गुणवत्ता की समस्याएँ चूक सकते हैं।
मूल्यांकन डेटा-समुच्चय
मूल्यांकन डेटासेट, मॉडल के संस्करणों या prompt की तुलना के लिए इनपुट और अपेक्षित मानदंडों का एक निश्चित समूह है। प्रतिनिधि किनारे के मामलों और मनुष्यों द्वारा जाँचे गए संदर्भों को बनाए रखें; केवल स्वचालित स्कोर गुणवत्ता की समस्याएँ चूक सकते हैं।