跳到主要内容Skip to main content

Models · Data · RAG 文档

MS MARCO

大规模真实搜索查询与段落,适合训练/评测检索器与重排器。

来源Microsoft
规模约 880 万段落 / 100 万+ 查询
语言英文
格式JSONL / TSV
许可MS MARCO 数据使用协议
商用需按协议核对
获取Hugging Face / 官方下载
任务适配检索 / RAG / 重排
核验日2026-11-19

质量与偏差

大规模真实搜索查询与段落,适合训练/评测检索器与重排器。

使用边界

查询与段落偏英文网页;答案不一定完整,不能直接当生成训练真值。

第一次使用

先做 BM25 基线,再加向量检索,记录 recall@k 与 MRR。

常见坑

把检索命中当答案正确;忽略段落版本与索引更新。

成本

中等;全量索引需要磁盘与内存。

不适合

不适合中文或垂直领域检索,需另配语料。

对比与替代

与 Natural Questions / HotpotQA 相比更偏真实搜索查询与段落检索。

怎么验证

核对协议与 split;抽 50 条看查询/段落/答案字段。

下一步

  • 打开来源页,下载数据集卡与许可原文,确认版本与获取条件。
  • 先抽 100–500 条样本做质量、语言与敏感内容抽检,再决定是否进训练管线。
  • 如果用于 RAG 或 SFT,先读 RAG 语料怎么选 / SFT 数据怎么配比。
来源:https://huggingface.co/datasets/microsoft/ms_marco · 核验日 2026-11-19 · 许可以来源页为准