当团队需要可重复性、场景标记和基准对齐而不仅仅是更多原始训练数据时，评估数据集就很重要。
此页面应该吸引买家和技术主管在部署前寻找证据，而不仅仅是浏览学术语料库的研究人员。
我们可以设计具有可重复重置和清晰性能切片的测试集。