SailorFog-QA 数据集的核心价值在于其创新性的难度设计：
- 信息模糊化处理：采用图采样技术重构原始数据，对关键实体（如人名、机构名）进行同义替换或属性泛化，模拟真实场景中的信息不完整性。例如将“Transformer 模型”改写为“某谷歌提出的注意力架构”。
- 多跳推理挑战：40% 的问题需要跨 3 个以上信息源进行推导，如“预测 Tesla 2025 年电池技术路线”需整合专利数据、高管访谈、学术论文三类内容。
- 评估维度丰富：除常规准确率外，还设计了信息溯源性（提供参考链接质量）、推理可解释性（逻辑链条完整性）等特色指标。
该数据集包含 12 万中英文样本，已应用于 WebSailor 的强化学习微调阶段，使模型在模糊查询场景下的 F1 值提升 22.5%。研究者可通过 WebAgent/dataset/sailorfog-QA.jsonl 获取数据，文件采用 JSON Lines 格式，每个条目包含：原始问、模糊问、黄金路径、支持证据等字段。
本答案来源于文章《WebAgent：智能网络信息搜索与处理工具》
未经允许不得转载：AI生产力工具 » SailorFog-QA 数据集对 AI 研发有哪些独特价值？
简体中文 
English 
日本語 
Deutsch 
Português do Brasil