EU AI Act 结构化RAG数据集发布
Automatic-Forever-63 · reddit · 2026-07-17
作者发布了 **EU AI Act OpenRAG**，一个可下载的数据集，用于 RAG 和法律 NLP 实验。 ### 数据集设计 - 不是按固定字符窗口切分，而是按法规的**法律结构**切块： - 每个条款段落一个 chunk - 每个 recital 一个 chunk - 每个 Article 3 定义一个 chunk - 每个 annex 条目一个 chunk - 章节、section 和 provision 的元数据单独保存 - 数据库包含 **933 个 chunk**，并为每个 chunk 提供 **1024 维 BGE-M3 embedding** - 还附带 EUR-Lex 精确链接、Article 113 生效日期元数据，以及刻意保持窄范围的派生标签 ### 评测结果 作者在 AI Act Evaluation Benchmark 上做了对比： - scenario article recall@20：**0.541**（结构化切分）vs **0.449**（baseline） - QA article hit@10：**0.927** vs **0.898** - 但整体 RAG 分类表现略低，作者认为这说明这类任务里**生成器行为**可能比 chunk 粒度更关键 ### 其他信息 作者还公开了： - 全部实验结果 - 局限性 - 派生方法 - 标签审计 - 许可说明 并邀请大家就**检索评估、结构化切分方法、以及更合适的 baseline** 提供技术反馈。