open-llm-leaderboard/details_OptimalScale__robin-13b-v2-delta

该数据集是在模型[OptimalScale/robin-13b-v2-delta]评估运行期间自动创建的，用于[Open LLM Leaderboard]。数据集由61个配置组成，每个配置对应一个评估任务。数据集通过一个或多个运行创建，每个运行在每个配置中作为一个特定的分割存在，分割名称使用运行的时间戳。此外，还有一个名为"results"的额外配置，用于存储所有运行的聚合结果。该数据集是在模型[OptimalScale/robin-13b-v2-delta]评估运行期间自动创建的，用于[Open LLM Leaderboard]。数据集由61个配置组成，每个配置对应一个评估任务。数据集通过一个或多个运行创建，每个运行在每个配置中作为一个特定的分割存在，分割名称使用运行的时间戳。此外，还有一个名为"results"的额外配置，用于存储所有运行的聚合结果。

原始信息汇总

数据集概述

数据集摘要

该数据集是在对模型 OptimalScale/robin-13b-v2-delta 进行评估运行期间自动创建的，用于 Open LLM Leaderboard。

数据集组成

• 数据集包含 61 个配置，每个配置对应一个评估任务。
• 数据集从 1 次运行中创建，每个运行可以在每个配置中作为一个特定的分片找到，分片名称使用运行的时间戳。
• "train" 分片始终指向最新的结果。
• 一个额外的配置 "results" 存储所有运行的聚合结果，用于计算和显示 Open LLM Leaderboard 上的聚合指标。

数据加载示例

python from datasets import load_dataset data = load_dataset("open-llm-leaderboard/details_OptimalScale__robin-13b-v2-delta", "harness_truthfulqa_mc_0", split="train")

最新结果

以下是 2023-08-04T18:08:52.244101 运行的最新结果：

python { "all": { "acc": 0.48671411429389705, "acc_stderr": 0.034851524265514446, "acc_norm": 0.49073578692938213, "acc_norm_stderr": 0.03483423136146648, "mc1": 0.3378212974296206, "mc1_stderr": 0.016557167322516882, "mc2": 0.5054136576088012, "mc2_stderr": 0.014772161409527505 }, "harness|arc:challenge|25": { "acc": 0.537542662116041, "acc_stderr": 0.014570144495075581, "acc_norm": 0.5656996587030717, "acc_norm_stderr": 0.014484703048857364 }, "harness|hellaswag|10": { "acc": 0.5944035052778331, "acc_stderr": 0.004900036261309047, "acc_norm": 0.8035251941844254, "acc_norm_stderr": 0.003965196368697847 }, "harness|hendrycksTest-abstract_algebra|5": { "acc": 0.33, "acc_stderr": 0.04725815626252606, "acc_norm": 0.33, "acc_norm_stderr": 0.04725815626252606 }, ... }

配置详情

• config_name: harness_arc_challenge_25

  • split: 2023_08_04T18_08_52.244101
    • path: **/details_harness|arc:challenge|25_2023-08-04T18:08:52.244101.parquet
  • split: latest
    • path: **/details_harness|arc:challenge|25_2023-08-04T18:08:52.244101.parquet

• config_name: harness_hellaswag_10

  • split: 2023_08_04T18_08_52.244101
    • path: **/details_harness|hellaswag|10_2023-08-04T18:08:52.244101.parquet
  • split: latest
    • path: **/details_harness|hellaswag|10_2023-08-04T18:08:52.244101.parquet

• config_name: harness_hendrycksTest_5

  • split: 2023_08_04T18_08_52.244101
    • path:
      • **/details_harness|hendrycksTest-abstract_algebra|5_2023-08-04T18:08:52.244101.parquet
      • **/details_harness|hendrycksTest-anatomy|5_2023-08-04T18:08:52.244101.parquet
      • ...
  • split: latest
    • path:
      • **/details_harness|hendrycksTest-abstract_algebra|5_2023-08-04T18:08:52.244101.parquet
      • **/details_harness|hendrycksTest-anatomy|5_2023-08-04T18:08:52.244101.parquet
      • ...

搜集汇总

数据集介绍

构建方式

在大型语言模型评测领域，标准化、自动化的评估流程对于客观衡量模型性能至关重要。该数据集是Open LLM Leaderboard在评测OptimalScale/robin-13b-v2-delta模型时自动生成的产物。其构建过程依托于统一的评测框架，通过一次性运行，将模型在61个不同任务上的表现数据系统性地收集起来。每个任务对应一个独立的配置项，而单次运行的完整结果则被整合为一个特定的数据分割，并以运行的时间戳进行命名，确保了数据来源的精确可追溯。特别地，所有任务的聚合指标被汇总至一个名为“results”的额外配置中，用于在排行榜上展示模型的整体性能。

使用方法

研究人员可通过Hugging Face Datasets库便捷地调用该数据集。例如，使用load_dataset函数，并指定模型对应的数据集名称、目标任务的配置名（如“harness_truthfulqa_mc_0”）以及所需的数据分割（如“train”或时间戳命名的具体分割），即可加载特定任务的详细评测结果。这种模块化的加载方式使得用户能够灵活地提取单一任务的微观数据，或通过“results”配置获取宏观的聚合指标，从而对模型在特定维度或整体上的表现进行深入分析与复现验证。

背景与挑战

背景概述

随着大语言模型（LLMs）在自然语言处理领域取得突破性进展，如何系统性地评估其综合能力成为核心研究议题。Open LLM Leaderboard由Hugging Face团队（主要联系人Clementine）于2023年创建，旨在为开源模型提供标准化、可复现的评估基准。该数据集记录了OptimalScale团队开发的robin-13b-v2-delta模型的详细评测结果，涵盖ARC-Challenge、HellaSwag、MMLU（57个学科子集）及TruthfulQA等主流基准测试。通过61个配置项和自动化评估流水线，该数据集不仅量化了模型在推理、常识、专业知识及真实性维度的表现（如MMLU平均准确率约48.7%），更推动了大模型社区从单一指标向多维度能力图谱的范式转变，成为衡量开源模型进步的重要标尺。

当前挑战

该数据集面临的挑战主要体现在领域问题与构建流程两个层面。在领域层面，大语言模型评估的核心难题在于如何设计兼具广度与深度的评测体系：现有基准如MMLU虽覆盖57个学科，但模型在抽象代数（33%）、大学物理（18.6%）等专业领域表现显著低于随机水平，揭示出跨领域知识迁移的瓶颈；同时TruthfulQA中仅33.8%的MC1准确率暴露出模型在事实性与对抗性提问下的脆弱性。在构建过程中，自动化评估面临版本控制与结果可复现性的挑战：不同时间戳的评估运行需通过61个独立配置管理，且每次评测仅覆盖部分任务，导致跨次结果的整合与比较存在碎片化风险；此外，Parquet格式的细粒度结果文件依赖特定加载逻辑，增加了研究者二次分析的接入门槛。

常用场景

经典使用场景

在大型语言模型（LLM）的评估生态中，该数据集作为Open LLM Leaderboard自动生成的评测记录，承载了对OptimalScale/robin-13b-v2-delta模型在61项标准化任务上的性能追踪。其经典使用场景在于为研究者提供细粒度的模型能力剖析，涵盖ARC-Challenge、HellaSwag等常识推理基准，以及涵盖从抽象代数到病毒学等57个学科的MMLU测试。通过加载特定任务配置下的parquet文件，可以复现模型在每项指标上的准确率与标准差，从而实现对模型在知识记忆、逻辑推理与多领域泛化能力的系统性诊断。

解决学术问题

该数据集解决了大模型评估中结果可复现性与透明性不足的核心学术问题。传统上，模型评测往往因随机种子、解码参数或硬件差异导致结果波动，而该数据集通过固化每次运行的全部中间结果与聚合指标，为公平比较不同模型提供了标准化锚点。其意义在于推动了LLM性能基准的规范化，使得研究者能够基于统一的数据格式与评价协议，客观衡量模型在事实准确性（如TruthfulQA）与抗幻觉能力上的进步，从而为模型迭代提供可靠依据。

实际应用

在实际应用中，该数据集是模型选型与部署决策的关键参考。企业或研究机构在挑选基座模型时，可依据其中记录的robin-13b-v2-delta在57个学科上的分项得分，预判其在特定行业任务（如法律文书理解、医学问答）中的表现。此外，数据集的时间戳分片机制支持对模型不同训练阶段的性能演化进行追踪，这使得它成为持续监控模型退化或提升的实用工具，为模型上线后的质量保障提供了数据支撑。

数据集最近研究

最新研究方向

在大型语言模型评测领域，Open LLM Leaderboard已成为衡量模型综合能力的重要基准平台。针对OptimalScale/robin-13b-v2-delta这一13B参数规模的对话模型，其评测数据集系统性地覆盖了ARC挑战赛、HellaSwag常识推理、TruthfulQA真实性评估以及涵盖57个学科的MMLU测试，构成了多维度、多层次的性能评估体系。该数据集的前沿研究方向聚焦于模型在零样本场景下的泛化能力与知识边界探索，特别是通过细粒度指标（如acc_norm与mc2）揭示模型在不同难度层级上的表现差异。相关热点事件包括开源社区对中等规模模型在专业领域（如法学、医学、国际法）推理能力的持续关注，robin-13b-v2-delta在MMLU部分学科中展现出的超过70%准确率，为缩小开源模型与闭源模型之间的性能鸿沟提供了实证支持。这一系统化的评测数据不仅推动了模型可复现性的标准化进程，也为后续研究者优化模型架构、提升知识密集型任务表现提供了关键的诊断工具与方向指引。