完整题目
请列举你在项目中使用过的评测数据集，并说明选择这些评测集的原因以及它们如何反映模型性能。
只列举确实使用过的数据集
回答应先说明任务、模型版本和评测目的，再从真实实验记录中选择数据集：
- 通用知识与理解：若实际使用 MMLU，说明它覆盖多学科多项选择，关注宏平均、学科切片、prompt 与 few-shot 设置。
- 数学问题求解：GSM8K 是小学数学文字题，MATH 覆盖更具挑战的竞赛数学问题。它们评测的是数学问题求解结果；是否使用或输出 CoT 是推理与评分协议，不能直接把数据集叫作“CoT 能力测试”。
- 代码生成：若使用 HumanEval，说明以单元测试执行 functional correctness，并报告 pass@k、采样数和沙箱安全。
- 业务或 RAG：公开集不能代替目标场景，应建立经过许可、去重和版本化的私有测试集，分别评估检索、上下文利用、faithfulness 和任务成功。
每个数据集都要交代选择理由、split、样本数、污染与近重复检查、评分脚本版本和局限。没有实际跑过的金融、代码或线上数据不能写成个人项目成果。
继续追问 · 3 个问题
- 如果业务场景没有现成评测集，你会如何构建？
- 如何防止评测集数据泄露到训练集？
- 评测指标和实际用户体验不一致时怎么处理？
换一种问法，检查是否真正理解
场景切入
假设你在做电商客服模型，上线前总要测一下效果吧？你一般用什么评测集来验证模型在退货咨询、价格查询这些场景上的表现？
层层追问
你平时怎么评估模型能力？……都用过哪些评测集？……那为什么选这些而不选其他的？它们能真实反映模型在业务上的表现吗？
直球架构
请列举你在项目中用过的评测数据集，说明选择它们的理由，以及每个评测集具体能反映模型的哪些能力维度。
练习口述回答 · 30秒速答 + 90秒主答 + 完整展开
- 先说明真实任务和评测目的
- 按能力选择实际运行的数据集
- 写清评分协议与版本
- 检查污染、近重复与切分
- 补充业务集和局限
【30秒速答】 评测集只能列真实跑过的。回答时给出【模型版本】、【任务】和【评测时间】，再说明每个数据集测什么、为什么选、评分脚本和局限。MMLU 测多学科选择题，GSM8K 与 MATH 测数学问题求解，不能直接叫 CoT 能力评测；HumanEval 通过单元测试看代码 functional correctness。目标业务还需要自己的去重测试集。没有运行记录的金融集、代码集和线上指标不写。
【90秒主答】 可以把真实评测分成公开基准和目标场景集。公开基准方便与论文或历史版本对齐，但要锁定 prompt、zero-shot 或 few-shot、解码参数和评分脚本。MMLU 覆盖多个学科的多项选择题，适合观察知识与题目理解的分科表现；总分会掩盖弱科，所以要保留学科切片。GSM8K 是小学数学文字题，MATH 来自竞赛数学题，两者可以评估最终答案正确率和不同难度，但“模型写了推理过程”与“真的具备可靠推理”不是同一件事。若评分只看最终答案，它并没有直接验证隐藏或输出的每一步 CoT。
HumanEval 给函数签名、描述和测试，用执行结果衡量生成代码是否通过。pass@k 依赖采样数量与估计方式，运行环境必须隔离不可信代码，并记录语言版本、超时和隐藏测试。只给一个 pass@1 数字而不说明 prompt 与采样设置，无法复现。
【完整展开】 业务评测需要覆盖真实输入分布。RAG 场景可把检索 recall/precision、证据是否进入上下文、回答是否使用证据、引用是否正确和最终任务成功拆开。分类或抽取任务要按类别、长度、语言、时间与高风险样本分层。数据来源、使用许可、脱敏、标注指南、仲裁流程和版本都要记录。若相同文档、用户或模板跨训练与测试，会造成泄漏；公开 benchmark 还要做预训练污染和近重复检查。
选择理由必须和错误成本对应。需要知识覆盖就选多学科集，需要代码可执行性就选测试驱动集，需要真实安全性就加红队与拒答集。一个数据集不能代表全部能力，榜单高分也不能替代目标场景。报告时列出实际运行日期、commit、模型 checkpoint、tokenizer、量化、上下文长度、解码、样本数和置信区间。若只在离线集验证，就明确没有线上结论。这样的答案既能解释为何选择评测，也能让他人复现，不需要借用任何不存在的项目指标。
【验证补充】公开数据集还要固定许可证和评测许可，特别是代码执行与私有业务数据。结果发布时给出未回答、解析失败和超时数量，避免评分脚本静默丢弃失败样本。