Datasets:
Tasks:
Text Classification
Modalities:
Text
Formats:
parquet
Sub-tasks:
intent-classification
Languages:
Russian
Size:
10K - 100K
ArXiv:
License:
Dataset Viewer
text
stringlengths 2
153
| label
stringclasses 67
values |
|---|---|
какова балансовая стоимость гугля
|
qa__stock
|
Откройте приложение о погоде
|
weather__query
|
Пожалуйста, расскажите мне, что такое форму на период отдыха?
|
qa__factoid
|
Пожалуйста, поставьте будильник на 10 вечера.
|
alarm__set
|
Похоже, командование Олли было неверным.
|
general__negate
|
Добавить встречу с архитектором в мой новый список проектов
|
lists__createoradd
|
Название PDA: во сколько xxxx прибудет хххх
|
transport__query
|
Какое время для восточного часового пояса
|
datetime__query
|
Определение и использование в предложении слова "абсолютное".
|
qa__definition
|
Сыграй для меня джазовую музыку.
|
play__music
|
Давай сделаем попкорн и вместе посмотрим старый фильм.
|
general__quirky
|
Пожалуйста, измени эту команду.
|
general__negate
|
Сыграй мой мотивационный плейлист.
|
play__music
|
Когда прибудет моя китайская еда?
|
takeaway__query
|
Каков обменный курс между 500 долларов, что я фрак?
|
qa__currency
|
когда следующая встреча в моем календаре
|
calendar__query
|
Назначь на пятницу
|
calendar__set
|
Пожалуйста, оставьте мой рейтинг на этой песне.
|
music__likeness
|
Я не этого хотела.
|
general__negate
|
Закажи мне билет на поезд до Калифорнии.
|
transport__ticket
|
Проверьте эту команду, пожалуйста.
|
general__negate
|
когда прибытие поезда в ____
|
transport__query
|
Просьба направить по электронной почте (фамилию)
|
email__sendemail
|
Моя сигнализация в 6 утра?
|
alarm__query
|
Это полезно, я ценю это, Олли.
|
general__praise
|
план на завтра
|
calendar__query
|
Я хочу убраться в своей спальне, одеть пылесос и пойти в мою комнату.
|
iot__cleaning
|
Разбуди меня в 5:30.
|
alarm__set
|
Воспроизвести предигровый список воспроизведения
|
play__music
|
Я поговорю с тобой позже.
|
general__commandstop
|
Когда принц начал петь?
|
qa__factoid
|
Прекрасная работа, ты хорошо справился.
|
general__praise
|
Есть ли какие-либо поездки в пункт А, обеспечиваемые поездом?
|
transport__query
|
Продолжим пьесу американских богов.
|
play__audiobook
|
Сделай чашку крепкого кофе.
|
iot__coffee
|
Можете сохранить эту музыку в моем плейлисте?
|
music__likeness
|
что является последним письмом от xxxx
|
email__query
|
Есть какие-нибудь нечитаемые письма?
|
email__query
|
Это неправильно.
|
general__negate
|
Напиши Саре, если она сегодня свободна на завтрак.
|
email__sendemail
|
Отличная работа, ты хорошо справился, милый.
|
general__praise
|
Можешь немного потише?
|
audio__volume_down
|
Проверьте и подтвердите.
|
general__confirm
|
Отправьте письмо Сьюзан.
|
email__sendemail
|
Установите кофеварку.
|
iot__coffee
|
Дай мне последние новости о Поле Райане.
|
news__query
|
Есть ли какая-либо новая информация о мексиканско-американской пограничной стене?
|
news__query
|
Играю Рэйна в Крови Истребительницей завтра в пять утра, чтобы убедиться, что я действительно проснусь.
|
play__music
|
Скажи мне название песни?
|
music__query
|
Который сейчас час в Австралии?
|
datetime__query
|
игре 97,1
|
play__radio
|
Сыграй мою книгу
|
play__audiobook
|
Ты умный.
|
general__praise
|
Расскажи мне о исторических фактах об Индее.
|
qa__factoid
|
Молодец, спасибо.
|
general__praise
|
Расскажи мне рецепт жёлтого риса.
|
cooking__recipe
|
Сыграй подкаст юной мамочки.
|
play__podcasts
|
Мое расписание заполнено?
|
calendar__query
|
PDA, который час в Калифорнии?
|
datetime__query
|
Отправьте письмо Шелли и спросите, пойдем ли мы ужинать в следующий понедельник.
|
email__sendemail
|
Отлично.
|
general__affirm
|
PDA, покажи мне, как готовить рецепт.
|
cooking__recipe
|
Удалить сигнализацию, которую я только что установил
|
alarm__remove
|
На радио-мирке можно поиграть в дил-программу.
|
play__radio
|
Новости
|
news__query
|
Путь, пожалуйста.
|
transport__query
|
Выключить кухонные огни
|
iot__hue_lightoff
|
Не могли бы вы еще раз объяснить мне ваш ответ.
|
general__explain
|
Tweet Best Buy о моем плохом опыте.
|
social__post
|
Подожди, это неправильная команда.
|
general__negate
|
Скажи мне, что за погода снаружи?
|
weather__query
|
Меняй свет, когда я окажусь в своем доме.
|
iot__hue_lightchange
|
Ты моя звезда, Муш высоко ценится, Олли.
|
general__praise
|
Можешь начать радиоканал FM 89,0
|
play__radio
|
Проверьте мои последние инструкции, пожалуйста.
|
general__confirm
|
ВРЕМЕННЫЙ ДЕНЬ ПОСЛЕ МЕРОПРИЯТИЙ В КАЛАНДЕРЕ
|
calendar__set
|
наиболее выгодная цена билетов: авиа/план/автобус до города x на дату y
|
transport__ticket
|
Какие последние новости о мексиканско-американской пограничной стене?
|
news__query
|
Проверь почту за последние 12 часов
|
email__query
|
Холли, ты можешь заткнуться.
|
general__commandstop
|
Я думаю, это неправильная команда.
|
general__negate
|
Объясните, как США лучше других стран
|
general__quirky
|
Ты сделал все правильно, спасибо, Олли.
|
general__praise
|
Назначить заседание на вторую половину дня
|
calendar__set
|
Играть в сериал "Бритни копья" в прямом эфире
|
play__radio
|
Пожалуйста, закажи мне еды.
|
takeaway__order
|
Его храбрость прозвучит неплохо.
|
general__quirky
|
Можно я пойду сегодня вечером в город?
|
recommendation__events
|
Тема содержания
|
email__query
|
Заказ Grubhub
|
takeaway__order
|
Убрать из списка все пищевые продукты с префиксом сухой
|
lists__remove
|
значение
|
qa__definition
|
Забронируйте билет на поезд отсюда до Чарльстона, Западная Вирджиния сегодня в 8 утра.
|
transport__ticket
|
То, что стоит календарь по сравнению с долларом США
|
qa__currency
|
Пожалуйся в службу обслуживания клиентов "Американский Орёл".
|
social__post
|
С2, мне не ясно, что вы только что сказали.
|
general__explain
|
События на местном уровне?
|
recommendation__events
|
Расскажи мне о последних спортивных новостях.
|
news__query
|
Рождество согласно календарю?
|
calendar__query
|
Какого роста Леброн Джеймс?
|
qa__factoid
|
End of preview. Expand
in Data Studio
Contains natural language data for human-robot interaction in home domain which we collected and annotated for evaluating NLU Services/platforms.
| Task category | t2t |
| Domains | None |
| Reference | https://arxiv.org/abs/1903.05566 |
How to evaluate on this task
You can evaluate an embedding model on this dataset using the following code:
import mteb
task = mteb.get_tasks(["RuNLUIntentClassification"])
evaluator = mteb.MTEB(task)
model = mteb.get_model(YOUR_MODEL)
evaluator.run(model)
To learn more about how to run models on mteb task check out the GitHub repitory.
Citation
If you use this dataset, please cite the dataset as well as mteb, as this dataset likely includes additional processing as a part of the MMTEB Contribution.
@misc{liu2019benchmarkingnaturallanguageunderstanding,
archiveprefix = {arXiv},
author = {Xingkun Liu and Arash Eshghi and Pawel Swietojanski and Verena Rieser},
eprint = {1903.05566},
primaryclass = {cs.CL},
title = {Benchmarking Natural Language Understanding Services for building Conversational Agents},
url = {https://arxiv.org/abs/1903.05566},
year = {2019},
}
@article{enevoldsen2025mmtebmassivemultilingualtext,
title={MMTEB: Massive Multilingual Text Embedding Benchmark},
author={Kenneth Enevoldsen and Isaac Chung and Imene Kerboua and Márton Kardos and Ashwin Mathur and David Stap and Jay Gala and Wissam Siblini and Dominik Krzemiński and Genta Indra Winata and Saba Sturua and Saiteja Utpala and Mathieu Ciancone and Marion Schaeffer and Gabriel Sequeira and Diganta Misra and Shreeya Dhakal and Jonathan Rystrøm and Roman Solomatin and Ömer Çağatan and Akash Kundu and Martin Bernstorff and Shitao Xiao and Akshita Sukhlecha and Bhavish Pahwa and Rafał Poświata and Kranthi Kiran GV and Shawon Ashraf and Daniel Auras and Björn Plüster and Jan Philipp Harries and Loïc Magne and Isabelle Mohr and Mariya Hendriksen and Dawei Zhu and Hippolyte Gisserot-Boukhlef and Tom Aarsen and Jan Kostkan and Konrad Wojtasik and Taemin Lee and Marek Šuppa and Crystina Zhang and Roberta Rocca and Mohammed Hamdy and Andrianos Michail and John Yang and Manuel Faysse and Aleksei Vatolin and Nandan Thakur and Manan Dey and Dipam Vasani and Pranjal Chitale and Simone Tedeschi and Nguyen Tai and Artem Snegirev and Michael Günther and Mengzhou Xia and Weijia Shi and Xing Han Lù and Jordan Clive and Gayatri Krishnakumar and Anna Maksimova and Silvan Wehrli and Maria Tikhonova and Henil Panchal and Aleksandr Abramov and Malte Ostendorff and Zheng Liu and Simon Clematide and Lester James Miranda and Alena Fenogenova and Guangyu Song and Ruqiya Bin Safi and Wen-Ding Li and Alessia Borghini and Federico Cassano and Hongjin Su and Jimmy Lin and Howard Yen and Lasse Hansen and Sara Hooker and Chenghao Xiao and Vaibhav Adlakha and Orion Weller and Siva Reddy and Niklas Muennighoff},
publisher = {arXiv},
journal={arXiv preprint arXiv:2502.13595},
year={2025},
url={https://arxiv.org/abs/2502.13595},
doi = {10.48550/arXiv.2502.13595},
}
@article{muennighoff2022mteb,
author = {Muennighoff, Niklas and Tazi, Nouamane and Magne, Lo{\"\i}c and Reimers, Nils},
title = {MTEB: Massive Text Embedding Benchmark},
publisher = {arXiv},
journal={arXiv preprint arXiv:2210.07316},
year = {2022}
url = {https://arxiv.org/abs/2210.07316},
doi = {10.48550/ARXIV.2210.07316},
}
Dataset Statistics
Dataset Statistics
The following code contains the descriptive statistics from the task. These can also be obtained using:
import mteb
task = mteb.get_task("RuNLUIntentClassification")
desc_stats = task.metadata.descriptive_stats
{
"test": {
"num_samples": 10000,
"number_of_characters": 362048,
"number_texts_intersect_with_train": 247,
"min_text_length": 1,
"average_text_length": 36.2048,
"max_text_length": 228,
"unique_texts": 4797,
"min_labels_per_text": 9,
"average_label_per_text": 14.3008,
"max_labels_per_text": 25,
"unique_labels": 26,
"labels": {
"q": {
"count": 3780
},
"a": {
"count": 13906
},
"_": {
"count": 20546
},
"d": {
"count": 4088
},
"e": {
"count": 17856
},
"f": {
"count": 1928
},
"i": {
"count": 7744
},
"n": {
"count": 7722
},
"t": {
"count": 7074
},
"o": {
"count": 6038
},
"m": {
"count": 4304
},
"u": {
"count": 4588
},
"s": {
"count": 5054
},
"c": {
"count": 5116
},
"r": {
"count": 10692
},
"y": {
"count": 4160
},
"g": {
"count": 3428
},
"l": {
"count": 7444
},
"p": {
"count": 2968
},
"v": {
"count": 770
},
"w": {
"count": 970
},
"h": {
"count": 1212
},
"k": {
"count": 1142
},
"b": {
"count": 100
},
"x": {
"count": 338
},
"j": {
"count": 40
}
},
"hf_subset_descriptive_stats": {
"rus-eng": {
"num_samples": 5000,
"number_of_characters": 181024,
"number_texts_intersect_with_train": 0,
"min_text_length": 1,
"average_text_length": 36.2048,
"max_text_length": 228,
"unique_texts": 4797,
"min_labels_per_text": 9,
"average_label_per_text": 14.3008,
"max_labels_per_text": 25,
"unique_labels": 26,
"labels": {
"q": {
"count": 1890
},
"a": {
"count": 6953
},
"_": {
"count": 10273
},
"d": {
"count": 2044
},
"e": {
"count": 8928
},
"f": {
"count": 964
},
"i": {
"count": 3872
},
"n": {
"count": 3861
},
"t": {
"count": 3537
},
"o": {
"count": 3019
},
"m": {
"count": 2152
},
"u": {
"count": 2294
},
"s": {
"count": 2527
},
"c": {
"count": 2558
},
"r": {
"count": 5346
},
"y": {
"count": 2080
},
"g": {
"count": 1714
},
"l": {
"count": 3722
},
"p": {
"count": 1484
},
"v": {
"count": 385
},
"w": {
"count": 485
},
"h": {
"count": 606
},
"k": {
"count": 571
},
"b": {
"count": 50
},
"x": {
"count": 169
},
"j": {
"count": 20
}
}
},
"rus": {
"num_samples": 5000,
"number_of_characters": 181024,
"number_texts_intersect_with_train": 247,
"min_text_length": 1,
"average_text_length": 36.2048,
"max_text_length": 228,
"unique_texts": 4797,
"min_labels_per_text": 9,
"average_label_per_text": 14.3008,
"max_labels_per_text": 25,
"unique_labels": 26,
"labels": {
"q": {
"count": 1890
},
"a": {
"count": 6953
},
"_": {
"count": 10273
},
"d": {
"count": 2044
},
"e": {
"count": 8928
},
"f": {
"count": 964
},
"i": {
"count": 3872
},
"n": {
"count": 3861
},
"t": {
"count": 3537
},
"o": {
"count": 3019
},
"m": {
"count": 2152
},
"u": {
"count": 2294
},
"s": {
"count": 2527
},
"c": {
"count": 2558
},
"r": {
"count": 5346
},
"y": {
"count": 2080
},
"g": {
"count": 1714
},
"l": {
"count": 3722
},
"p": {
"count": 1484
},
"v": {
"count": 385
},
"w": {
"count": 485
},
"h": {
"count": 606
},
"k": {
"count": 571
},
"b": {
"count": 50
},
"x": {
"count": 169
},
"j": {
"count": 20
}
}
}
}
},
"train": {
"num_samples": 10000,
"number_of_characters": 350229,
"number_texts_intersect_with_train": null,
"min_text_length": 2,
"average_text_length": 35.0229,
"max_text_length": 153,
"unique_texts": 9771,
"min_labels_per_text": 9,
"average_label_per_text": 14.2662,
"max_labels_per_text": 25,
"unique_labels": 26,
"labels": {
"q": {
"count": 3664
},
"a": {
"count": 13914
},
"_": {
"count": 20490
},
"s": {
"count": 5254
},
"t": {
"count": 7220
},
"o": {
"count": 5824
},
"c": {
"count": 5100
},
"k": {
"count": 1180
},
"w": {
"count": 968
},
"e": {
"count": 18176
},
"h": {
"count": 1128
},
"r": {
"count": 10788
},
"u": {
"count": 4456
},
"y": {
"count": 4146
},
"f": {
"count": 1700
},
"i": {
"count": 7436
},
"d": {
"count": 3894
},
"l": {
"count": 7504
},
"m": {
"count": 4310
},
"g": {
"count": 3512
},
"n": {
"count": 7786
},
"p": {
"count": 3018
},
"b": {
"count": 92
},
"v": {
"count": 694
},
"x": {
"count": 342
},
"j": {
"count": 66
}
},
"hf_subset_descriptive_stats": {
"rus-eng": {
"num_samples": 5000,
"number_of_characters": 172389,
"number_texts_intersect_with_train": null,
"min_text_length": 2,
"average_text_length": 34.4778,
"max_text_length": 142,
"unique_texts": 5000,
"min_labels_per_text": 9,
"average_label_per_text": 14.2662,
"max_labels_per_text": 25,
"unique_labels": 26,
"labels": {
"q": {
"count": 1832
},
"a": {
"count": 6957
},
"_": {
"count": 10245
},
"s": {
"count": 2627
},
"t": {
"count": 3610
},
"o": {
"count": 2912
},
"c": {
"count": 2550
},
"k": {
"count": 590
},
"w": {
"count": 484
},
"e": {
"count": 9088
},
"h": {
"count": 564
},
"r": {
"count": 5394
},
"u": {
"count": 2228
},
"y": {
"count": 2073
},
"f": {
"count": 850
},
"i": {
"count": 3718
},
"d": {
"count": 1947
},
"l": {
"count": 3752
},
"m": {
"count": 2155
},
"g": {
"count": 1756
},
"n": {
"count": 3893
},
"p": {
"count": 1509
},
"b": {
"count": 46
},
"v": {
"count": 347
},
"x": {
"count": 171
},
"j": {
"count": 33
}
}
},
"rus": {
"num_samples": 5000,
"number_of_characters": 177840,
"number_texts_intersect_with_train": null,
"min_text_length": 2,
"average_text_length": 35.568,
"max_text_length": 153,
"unique_texts": 4781,
"min_labels_per_text": 9,
"average_label_per_text": 14.2662,
"max_labels_per_text": 25,
"unique_labels": 26,
"labels": {
"q": {
"count": 1832
},
"a": {
"count": 6957
},
"_": {
"count": 10245
},
"s": {
"count": 2627
},
"t": {
"count": 3610
},
"o": {
"count": 2912
},
"c": {
"count": 2550
},
"k": {
"count": 590
},
"w": {
"count": 484
},
"e": {
"count": 9088
},
"h": {
"count": 564
},
"r": {
"count": 5394
},
"u": {
"count": 2228
},
"y": {
"count": 2073
},
"f": {
"count": 850
},
"i": {
"count": 3718
},
"d": {
"count": 1947
},
"l": {
"count": 3752
},
"m": {
"count": 2155
},
"g": {
"count": 1756
},
"n": {
"count": 3893
},
"p": {
"count": 1509
},
"b": {
"count": 46
},
"v": {
"count": 347
},
"x": {
"count": 171
},
"j": {
"count": 33
}
}
}
}
}
}
This dataset card was automatically generated using MTEB
- Downloads last month
- 109