KaiLo2026/lmtq_999

🌏 中文多学科知识问答数据集 (Chinese Multi-disciplinary QA Dataset)

本数据集涵盖自然科学、人文社科、工程技术等多个维度的知识，旨在评估和提升模型在跨学科领域的推理与问答能力。数据集包含 多项选择题 (MCQ) 和 问答对 (QA) 两种形式，互为补充。

📊 数据集概览

• 数据集 ID: KaiLo2026/lmtq_999
• 总样本量: 999 条 (183 MCQ + 816 QA)
• 学科覆盖: 15+ 个主要领域 (天文、地学、生物、历史等)
• 语言: 简体中文 (zh-CN)
• 许可证: MIT License
• 适用任务: 知识问答、逻辑推理、学科能力评估、RAG 测试

---

📊 数据分布概览

1️⃣ MCQ 子集 (多项选择题)

总量: 183 条样本 | 特点: 适合评估模型的判别能力和知识广度。

学科领域	数量	占比	分布可视化 (比例缩放)
🌌 天文学	58	31.7%	████████████████████████████████████████
🌍 地球科学	38	20.8%	██████████████████████████████
🧬 生物学	26	14.2%	████████████████████
📜 历史	16	8.7%	████████████
⚛️ 物理学	14	7.7%	██████████
⚔️ 军事学	10	5.5%	███████
⚙️ 工程学	8	4.4%	██████
🩺 医学	4	2.2%	███
💻 计算机科学	3	1.6%	██
🎭 文化	2	1.1%	█
🧪 化学	2	1.1%	█
🚀 航天与科技	1	0.5%	█
📖 文学	1	0.5%	█
总计	183	100%

---

2️⃣ QA 子集 (问答对)

总量: 816 条样本 | 特点: 适合评估模型的生成能力、逻辑推理及深度知识理解。

学科领域	数量	占比	分布可视化 (比例缩放)
🚀 天文航天	322	39.5%	████████████████████████████████████████
🌍 地球科学	136	16.7%	█████████████████
🧬 生命科学与医学	106	13.0%	█████████████
⚛️ 物理	48	5.9%	██████
📜 历史	35	4.3%	████
🎨 语言文学与艺术	35	4.3%	████
💻 计算机与通信	33	4.0%	████
🧪 化学与材料	30	3.7%	███
⚔️ 军事与国防	29	3.6%	███
🌊 大气与海洋	11	1.3%	█
⚙️ 工程与安全	10	1.2%	█
🌱 环境与社会	8	1.0%	█
🧠 教育与心理	6	0.7%	█
🧮 数学与逻辑	4	0.5%	█
🌾 农业	3	0.4%	█
总计	816	100%

💡 洞察:

1. 核心聚焦：两个子集均高度聚焦于天文与地球科学领域（合计占比均超 50%），其中 QA 子集对“天文航天”的侧重更为显著（占比近 40%），适合深度评估模型在硬科学领域的复杂推理能力。
2. 广度差异：相比 MCQ 子集主要集中在前五大传统学科，QA 子集的学科覆盖面更广，包含了农业、数学逻辑、教育心理等长尾领域，能更好地测试模型在冷门知识上的泛化表现。

---

📈 核心领域对比 (Top 5)

为了直观对比两个子集在主要学科上的规模差异，以下是 Top 5 领域的并排对比：

学科领域	MCQ 数量 (占比)	MCQ 可视化	QA 数量 (占比)	QA 可视化
🌌 天文学/航天	58 (31.7%)	████████████████	322 (39.5%)	████████████████████████████████████████
🌍 地球科学	38 (20.8%)	████████████	136 (16.7%)	█████████████████
🧬 生物/生命	26 (14.2%)	████████	106 (13.0%)	█████████████
⚛️ 物理	14 (7.7%)	██████	48 (5.9%)	██████
📜 历史	16 (8.7%)	█████	35 (4.3%)	████

(注：可视化条形图长度分别在各自子集内部归一化，以展示相对占比)

---

🏆 模型评测基准 (Model Benchmark)

️ 免责声明：以下评测结果由数据集作者于 2026-03 进行本地测试生成。评测结果受 Prompt 工程、解码参数（如 Temperature, Top-p）及模型版本更新影响较大，仅供学术研究与参考，不代表模型官方最终性能，且可能随模型版本迭代而变化。

为了验证本数据集的有效性与区分度，我们选取了三款主流大语言模型在 MCQ (选择题) 和 QA (问答) 两个子集上进行了测试。

1️⃣ MCQ 子集评测 (准确率 Accuracy)

在多项选择题任务中，我们评估了模型在 15+ 个学科领域的综合知识掌握情况。

模型名称 (Model)	总评分 (Total Score)	表现概览
qwen3.5_plus	97.81	🥇
kimi-k2.5	96.72	🥈
qwen_35b_a3b	95.08	🥉

---

2️⃣ QA 子集评测 (综合得分 Score)

在开放问答任务中，重点考察模型的逻辑推理、长文本生成及深度知识理解能力。

模型名称 (Model)	总评分 (Total Score)	表现概览
qwen3.5_plus	89.46	🥇
kimi-k2.5	89.34	🥈
qwen_35b_a3b	85.66	🥉

---

💡 数据样例 (Data Samples)

多项选择题 (MCQ) 示例

数据包含问题、四个选项 (A-D)、正确答案索引及学科类型。

{
  "question": "关于地球内核的物质状态，下列说法正确的是？",
  "A": "液态物质",
  "B": "固态物质",
  "C": "气态物质",
  "D": "等离子态",
  "answer": "B",
  "type": "地球科学"
}

问答对 (QA) 示例

数据包含开放性问题、详细的自然语言回答及学科类型。

{
  "question": "地球是怎样形成的？",
  "answer": "大约在几十亿年前，太阳系原本是一团充满气体和尘埃的星云。其中心在旋转运动过程中逐渐形成了一个质量巨大的发光体，周围形成了一个绕太阳旋转的星云盘。盘中的微粒在不断碰撞中，固体微粒吸附气体微粒，形成了大小不同的团块，最后形成了很多行星的胚胎，地球就是其中之一。",
  "type": "天文航天"
}

---

🛠️ 如何使用

使用 Hugging Face datasets 库即可轻松加载：

from datasets import load_dataset

# 1. 加载 MCQ 子集
mcq_dataset = load_dataset("KaiLo2026/lmtq_999", "mcq", split="train")
print(f"MCQ 样本数：{len(mcq_dataset)}")

sample_mcq = mcq_dataset[0]
print(f"问题：{sample_mcq['question']}")
print(f"选项 A: {sample_mcq['A']}, 选项 B: {sample_mcq['B']}")
print(f"正确答案：{sample_mcq['answer']}")

# 2. 加载 QA 子集
qa_dataset = load_dataset("KaiLo2026/lmtq_999", "qa", split="train")
print(f"\nQA 样本数：{len(qa_dataset)}")

sample_qa = qa_dataset[0]
print(f"问题：{sample_qa['question']}")
print(f"回答：{sample_qa['answer'][:50]}...")  # 打印前50个字

# 3. 按类别筛选示例 (以地球科学为例)
earth_mcq = mcq_dataset.filter(lambda x: x["type"] == "地球科学")
print(f"\n地球科学 MCQ 数量：{len(earth_mcq)}")

---

📄 许可证

本数据集采用 MIT 许可证发布。您可以自由地使用、修改和分发本数据集，但请保留原作者署名。

🙏 引用 (Citation)

如果您在研究或项目中使用了本数据集，请引用：

@dataset{KaiLo2026_lmtq_999,
  title = {Chinese Multi-disciplinary QA Dataset (lmtq_999)},
  author = {KaiLo2026},
  year = {2026},
  publisher = {Hugging Face},
  url = {https://huggingface.co/datasets/KaiLo2026/lmtq_999}
}

---

最后更新时间: 2026-03-22🚀🚀🚀