[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-google-deepmind--narrativeqa":3,"tool-google-deepmind--narrativeqa":64},[4,17,27,35,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",143909,2,"2026-04-07T11:33:18",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,3,"2026-04-06T11:19:32",[15,26,14,13],"图像",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":10,"last_commit_at":33,"category_tags":34,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":10,"last_commit_at":41,"category_tags":42,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85013,"2026-04-06T11:09:19",[26,43,44,45,14,46,15,13,47],"数据工具","视频","插件","其他","音频",{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":23,"last_commit_at":54,"category_tags":55,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[14,26,13,15,46],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":23,"last_commit_at":62,"category_tags":63,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",75054,"2026-04-07T10:38:03",[15,26,13,46],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":78,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":96,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":97,"updated_at":98,"faqs":99,"releases":100},5168,"google-deepmind\u002Fnarrativeqa","narrativeqa","This repository contains the NarrativeQA dataset. It includes the list of documents with Wikipedia summaries, links to full stories, and questions and answers.","NarrativeQA 是由 DeepMind 推出的阅读理解挑战数据集，旨在推动人工智能在长文本理解领域的进步。它收录了大量完整的叙事性故事（如小说和剧本）及其对应的维基百科摘要，并配备了由人工编写的高质量问答对。\n\n传统机器阅读理解测试往往依赖简短段落，难以评估模型处理复杂情节和长距离依赖的能力。NarrativeQA 通过提供篇幅较长的真实故事素材，迫使模型必须深入理解全文脉络、人物关系及事件因果才能准确回答问题，从而有效解决了现有基准测试在长文档推理方面的不足。\n\n这套数据非常适合自然语言处理（NLP）领域的研究人员、算法工程师以及高校学者使用。无论是用于训练新的阅读模型，还是评估现有系统在长文本场景下的表现，NarrativeQA 都是极具价值的基准资源。其独特亮点在于构建了“摘要”与“全文”双重输入模式：研究者既可以利用简洁的维基百科摘要进行快速验证，也可以挑战让模型直接阅读数万词的完整故事，这种设计为探索不同粒度的文本理解策略提供了广阔空间。若您在研究中使用了该数据集，请记得引用其背后的学术论文以支持开源社区的发展。","# The NarrativeQA Reading Comprehension Challenge Dataset\n\nThis repository contains the NarrativeQA dataset. It includes the list of\ndocuments with Wikipedia summaries, links to full stories, and questions and\nanswers.\n\nFor a detailed description of this see the paper\n[The NarrativeQA Reading Comprehension\nChallenge](https:\u002F\u002Farxiv.org\u002Fabs\u002F1712.07040).  Please cite the paper if you use\nthis corpus in your work.\n\n\n### Files\n\n* documents.csv - contains document_id, set, kind, story_url, story_file_size,\n  wiki_url, wiki_title, story_word_count, story_start, story_end. The word count\n  is approximate after some basic cleanup and tokenization.\n* third_party\u002Fwikipedia\u002Fsummaries.csv - contains document_id, set, summary,\n  summary_tokenized. The summaries are from Wikipedia.\n* qaps.csv - contains document_id, set, question, answer1, answer2,\n  question_tokenized, answer1_tokenized, answer2_tokenized.\n* download_stories.sh - script to download the stories.\n* compare.sh - compare downloaded story's file size to the document size we had.\n  (At the time of publication, all stories have \u003C3.5% file difference (except\n  one), likely due to punctuation encoding.)\n\n### Bibtex\n\n```\n@article{narrativeqa,\nauthor = {Tom\\'a\\v s Ko\\v cisk\\'y and Jonathan Schwarz and Phil Blunsom and\n          Chris Dyer and Karl Moritz Hermann and G\\'abor Melis and\n          Edward Grefenstette},\ntitle = {The {NarrativeQA} Reading Comprehension Challenge},\njournal = {Transactions of the Association for Computational Linguistics},\nurl = {https:\u002F\u002FTBD},\nvolume = {TBD},\nyear = {2018},\npages = {TBD},\n}\n```\n\n### Dataset Metadata\nThe following table is necessary for this dataset to be indexed by search\nengines such as \u003Ca href=\"https:\u002F\u002Fg.co\u002Fdatasetsearch\">Google Dataset Search\u003C\u002Fa>.\n\u003Cdiv itemscope itemtype=\"http:\u002F\u002Fschema.org\u002FDataset\">\n\u003Ctable>\n  \u003Ctr>\n    \u003Cth>property\u003C\u002Fth>\n    \u003Cth>value\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>name\u003C\u002Ftd>\n    \u003Ctd>\u003Ccode itemprop=\"name\">The NarrativeQA Reading Comprehension Challenge Dataset\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>alternateName\u003C\u002Ftd>\n    \u003Ctd>\u003Ccode itemprop=\"alternateName\">NarrativeQA\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>url\u003C\u002Ftd>\n    \u003Ctd>\u003Ccode itemprop=\"url\">https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fnarrativeqa\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>sameAs\u003C\u002Ftd>\n    \u003Ctd>\u003Ccode itemprop=\"sameAs\">https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fnarrativeqa\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>description\u003C\u002Ftd>\n    \u003Ctd>\u003Ccode itemprop=\"description\">This repository contains the NarrativeQA dataset. It includes the list of\ndocuments with Wikipedia summaries, links to full stories, and questions and answers.\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>provider\u003C\u002Ftd>\n    \u003Ctd>\n      \u003Cdiv itemscope itemtype=\"http:\u002F\u002Fschema.org\u002FOrganization\" itemprop=\"provider\">\n        \u003Ctable>\n          \u003Ctr>\n            \u003Cth>property\u003C\u002Fth>\n            \u003Cth>value\u003C\u002Fth>\n          \u003C\u002Ftr>\n          \u003Ctr>\n            \u003Ctd>name\u003C\u002Ftd>\n            \u003Ctd>\u003Ccode itemprop=\"name\">DeepMind\u003C\u002Fcode>\u003C\u002Ftd>\n          \u003C\u002Ftr>\n          \u003Ctr>\n            \u003Ctd>sameAs\u003C\u002Ftd>\n            \u003Ctd>\u003Ccode itemprop=\"sameAs\">https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDeepMind\u003C\u002Fcode>\u003C\u002Ftd>\n          \u003C\u002Ftr>\n        \u003C\u002Ftable>\n      \u003C\u002Fdiv>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>license\u003C\u002Ftd>\n    \u003Ctd>\n      \u003Cdiv itemscope itemtype=\"http:\u002F\u002Fschema.org\u002FCreativeWork\" itemprop=\"license\">\n        \u003Ctable>\n          \u003Ctr>\n            \u003Cth>property\u003C\u002Fth>\n            \u003Cth>value\u003C\u002Fth>\n          \u003C\u002Ftr>\n          \u003Ctr>\n            \u003Ctd>name\u003C\u002Ftd>\n            \u003Ctd>\u003Ccode itemprop=\"name\">Apache License, Version 2.0\u003C\u002Fcode>\u003C\u002Ftd>\n          \u003C\u002Ftr>\n          \u003Ctr>\n            \u003Ctd>url\u003C\u002Ftd>\n            \u003Ctd>\u003Ccode itemprop=\"url\">https:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0.html\u003C\u002Fcode>\u003C\u002Ftd>\n          \u003C\u002Ftr>\n        \u003C\u002Ftable>\n      \u003C\u002Fdiv>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>citation\u003C\u002Ftd>\n    \u003Ctd>\u003Ccode itemprop=\"citation\">https:\u002F\u002Fidentifiers.org\u002Farxiv:1712.07040\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\u003C\u002Fdiv>\n","# NarrativeQA 阅读理解挑战数据集\n\n本仓库包含 NarrativeQA 数据集。它包括带有维基百科摘要的文档列表、完整故事的链接，以及问题和答案。\n\n有关此数据集的详细描述，请参阅论文《The NarrativeQA Reading Comprehension Challenge》（https:\u002F\u002Farxiv.org\u002Fabs\u002F1712.07040）。如果您在工作中使用该语料库，请引用该论文。\n\n\n### 文件说明\n\n* documents.csv - 包含 document_id、set、kind、story_url、story_file_size、wiki_url、wiki_title、story_word_count、story_start、story_end。词数是在进行一些基本清理和分词后的大致估计。\n* third_party\u002Fwikipedia\u002Fsummaries.csv - 包含 document_id、set、summary、summary_tokenized。这些摘要来自维基百科。\n* qaps.csv - 包含 document_id、set、question、answer1、answer2、question_tokenized、answer1_tokenized、answer2_tokenized。\n* download_stories.sh - 用于下载故事的脚本。\n* compare.sh - 用于比较下载的故事文件大小与我们所记录的文档大小。（截至发布时，所有故事的文件差异均小于3.5%（除一个外），这可能是由于标点符号编码的不同所致。）\n\n### Bibtex 引用\n\n```\n@article{narrativeqa,\nauthor = {Tom\\'a\\v s Ko\\v cisk\\'y and Jonathan Schwarz and Phil Blunsom and\n          Chris Dyer and Karl Moritz Hermann and G\\'abor Melis and\n          Edward Grefenstette},\ntitle = {The {NarrativeQA} Reading Comprehension Challenge},\njournal = {Transactions of the Association for Computational Linguistics},\nurl = {待定},\nvolume = {待定},\nyear = {2018},\npages = {待定},\n}\n```\n\n### 数据集元数据\n\n下表对于使该数据集被搜索引擎（如 Google Dataset Search）索引是必要的。\n\u003Cdiv itemscope itemtype=\"http:\u002F\u002Fschema.org\u002FDataset\">\n\u003Ctable>\n  \u003Ctr>\n    \u003Cth>属性\u003C\u002Fth>\n    \u003Cth>值\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>name\u003C\u002Ftd>\n    \u003Ctd>\u003Ccode itemprop=\"name\">The NarrativeQA Reading Comprehension Challenge Dataset\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>alternateName\u003C\u002Ftd>\n    \u003Ctd>\u003Ccode itemprop=\"alternateName\">NarrativeQA\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>url\u003C\u002Ftd>\n    \u003Ctd>\u003Ccode itemprop=\"url\">https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fnarrativeqa\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>sameAs\u003C\u002Ftd>\n    \u003Ctd>\u003Ccode itemprop=\"sameAs\">https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fnarrativeqa\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>description\u003C\u002Ftd>\n    \u003Ctd>\u003Ccode itemprop=\"description\">本仓库包含 NarrativeQA 数据集。它包括带有维基百科摘要的文档列表、完整故事的链接，以及问题和答案。\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>provider\u003C\u002Ftd>\n    \u003Ctd>\n      \u003Cdiv itemscope itemtype=\"http:\u002F\u002Fschema.org\u002FOrganization\" itemprop=\"provider\">\n        \u003Ctable>\n          \u003Ctr>\n            \u003Cth>属性\u003C\u002Fth>\n            \u003Cth>值\u003C\u002Fth>\n          \u003C\u002Ftr>\n          \u003Ctr>\n            \u003Ctd>name\u003C\u002Ftd>\n            \u003Ctd>\u003Ccode itemprop=\"name\">DeepMind\u003C\u002Fcode>\u003C\u002Ftd>\n          \u003C\u002Ftr>\n          \u003Ctr>\n            \u003Ctd>sameAs\u003C\u002Ftd>\n            \u003Ctd>\u003Ccode itemprop=\"sameAs\">https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDeepMind\u003C\u002Fcode>\u003C\u002Ftd>\n          \u003C\u002Ftr>\n        \u003C\u002Ftable>\n      \u003C\u002Fdiv>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>license\u003C\u002Ftd>\n    \u003Ctd>\n      \u003Cdiv itemscope itemtype=\"http:\u002F\u002Fschema.org\u002FCreativeWork\" itemprop=\"license\">\n        \u003Ctable>\n          \u003Ctr>\n            \u003Cth>属性\u003C\u002Fth>\n            \u003Cth>值\u003C\u002Fth>\n          \u003C\u002Ftr>\n          \u003Ctr>\n            \u003Ctd>name\u003C\u002Ftd>\n            \u003Ctd>\u003Ccode itemprop=\"name\">Apache License, Version 2.0\u003C\u002Fcode>\u003C\u002Ftd>\n          \u003C\u002Ftr>\n          \u003Ctr>\n            \u003Ctd>url\u003C\u002Ftd>\n            \u003Ctd>\u003Ccode itemprop=\"url\">https:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0.html\u003C\u002Fcode>\u003C\u002Ftd>\n          \u003C\u002Ftr>\n        \u003C\u002Ftable>\n      \u003C\u002Fdiv>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>citation\u003C\u002Ftd>\n    \u003Ctd>\u003Ccode itemprop=\"citation\">https:\u002F\u002Fidentifiers.org\u002Farxiv:1712.07040\u003C\u002Fcode>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\u003C\u002Fdiv>","# NarrativeQA 快速上手指南\n\nNarrativeQA 是由 DeepMind 发布的阅读理解挑战数据集，包含基于真实故事（书籍和电影剧本）的维基百科摘要、完整故事链接以及相应的问答对。本指南将帮助你快速获取并了解该数据集的结构。\n\n## 环境准备\n\n本数据集主要为静态文件（CSV 格式和文本故事），无需复杂的深度学习框架即可开始探索。\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows (需安装 Git 和 Bash 环境)\n*   **前置依赖**：\n    *   `git`：用于克隆仓库\n    *   `wget` 或 `curl`：用于下载故事文件（脚本默认使用 `wget`）\n    *   `python3` (可选)：用于解析 CSV 数据\n    *   `pandas` (可选)：推荐安装，便于数据分析\n      ```bash\n      pip install pandas\n      ```\n\n## 安装步骤\n\n### 1. 克隆仓库\n首先，从 GitHub 克隆项目代码到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fnarrativeqa.git\ncd narrativeqa\n```\n\n### 2. 下载故事文件\n数据集的核心是长篇故事文件。运行提供的脚本来下载这些文件（注意：文件较大，请确保网络稳定）：\n\n```bash\nchmod +x download_stories.sh\n.\u002Fdownload_stories.sh\n```\n\n> **提示**：如果下载速度较慢，可手动编辑 `download_stories.sh` 或使用代理加速。下载完成后，建议运行校验脚本确认文件完整性：\n> ```bash\n> chmod +x compare.sh\n> .\u002Fcompare.sh\n> ```\n\n## 基本使用\n\n下载完成后，你将获得以下核心文件，可直接使用 Python (Pandas) 进行加载和分析。\n\n### 数据结构说明\n*   `documents.csv`: 文档元数据（包含故事 URL、字数统计等）。\n*   `third_party\u002Fwikipedia\u002Fsummaries.csv`: 对应的维基百科摘要。\n*   `qaps.csv`: 问题与答案对（包含原始文本和分词后的版本）。\n\n### 最简单的使用示例\n\n以下代码演示如何加载问题 - 答案对及其对应的文档摘要：\n\n```python\nimport pandas as pd\n\n# 加载问题与答案数据\nqaps = pd.read_csv('qaps.csv')\n\n# 加载维基百科摘要数据\nsummaries = pd.read_csv('third_party\u002Fwikipedia\u002Fsummaries.csv')\n\n# 加载文档元数据\ndocuments = pd.read_csv('documents.csv')\n\n# 查看前 5 条问题数据\nprint(\"=== 问题示例 ===\")\nprint(qaps[['question', 'answer1']].head())\n\n# 关联数据：获取第一个问题对应故事的维基百科摘要\nfirst_doc_id = qaps.iloc[0]['document_id']\nsummary_text = summaries[summaries['document_id'] == first_doc_id]['summary'].values[0]\n\nprint(\"\\n=== 对应故事摘要 ===\")\nprint(summary_text)\n```\n\n### 引用说明\n如果在研究或工作中使用了此数据集，请务必引用原始论文：\n*   **Paper**: [The NarrativeQA Reading Comprehension Challenge](https:\u002F\u002Farxiv.org\u002Fabs\u002F1712.07040)\n*   **Bibtex**: 参见项目根目录 README 中的 Bibtex 部分。","某教育科技公司的算法团队正在研发一款能深度理解长篇故事并自动出题的智能阅读辅导系统。\n\n### 没有 narrativeqa 时\n- 团队需人工从网络爬取海量小说和剧本，再手动编写维基百科摘要与对应问答，数据构建周期长达数月且成本极高。\n- 由于缺乏统一标准的长文本数据集，模型难以学习如何跨越数千词的故事跨度进行逻辑推理，导致生成的题目过于浅显。\n- 自建数据的质量参差不齐，缺少经过验证的“标准答案”作为基准，使得模型评估结果不可靠，无法准确衡量技术进步。\n- 研究人员需花费大量精力清洗非结构化文本，而非专注于优化核心的阅读理解算法架构。\n\n### 使用 narrativeqa 后\n- 直接调用包含完整故事链接、维基百科摘要及高质量问答对的数据集，将数据准备时间从数月缩短至几天。\n- 利用其特有的长叙事文本结构，模型成功学会了在复杂情节中定位关键信息，显著提升了处理长距离依赖关系的能力。\n- 依托数据集中提供的多重参考答案（answer1, answer2），团队建立了客观的评估基准，能快速迭代并验证模型效果。\n- 开发者可立即基于标准化的 `documents.csv` 和 `qaps.csv` 文件开展实验，将核心资源全部集中于提升算法的推理深度。\n\nnarrativeqa 通过提供高质量的长文本阅读理解基准，彻底解决了智能教育场景下长故事分析与自动出题的数据瓶颈问题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-deepmind_narrativeqa_e309d1ed.png","google-deepmind","Google DeepMind","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgoogle-deepmind_06b1dd17.png","",null,"https:\u002F\u002Fwww.deepmind.com\u002F","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind",[83],{"name":84,"color":85,"percentage":86},"Shell","#89e051",100,509,68,"2026-04-04T08:11:48","Apache-2.0",1,"未说明",{"notes":94,"python":92,"dependencies":95},"该仓库仅为 NarrativeQA 阅读理解挑战的数据集，包含文档列表、维基百科摘要、故事链接及问答对。不包含模型训练或推理代码，因此无特定的 GPU、内存、Python 版本或依赖库要求。用户需自行编写脚本处理 CSV 数据（如 documents.csv, qaps.csv 等）并运行 download_stories.sh 下载故事文本。",[],[15,46],"2026-03-27T02:49:30.150509","2026-04-08T01:47:48.074729",[],[]]