open-llm-leaderboard-old/details_psmathur__model_007_v2

数据集是在模型psmathur/model_007_v2在Open LLM Leaderboard上的评估运行期间自动创建的。数据集由3个配置组成，每个配置对应一个评估任务。数据集是从1次运行中创建的，每次运行可以在每个配置中找到特定的分割，分割使用运行的时间戳命名。train分割始终指向最新的结果。此外，还有一个名为results的配置，存储了运行的所有聚合结果，并用于计算和显示Open LLM Leaderboard上的聚合指标。

原始信息汇总

数据集卡片 for Evaluation run of psmathur/model_007_v2

数据集描述

数据集概述

数据集是在模型 psmathur/model_007_v2 在 Open LLM Leaderboard 上的评估运行期间自动创建的。

数据集由3个配置组成，每个配置对应一个评估任务。

数据集是从1次运行中创建的。每次运行可以在每个配置中作为一个特定的分割找到，分割名称使用运行的timestamp。"train"分割始终指向最新的结果。

一个额外的配置 "results" 存储了运行的所有聚合结果（并用于计算和显示 Open LLM Leaderboard 上的聚合指标）。

要加载运行的详细信息，可以执行以下操作： python from datasets import load_dataset data = load_dataset("open-llm-leaderboard/details_psmathur__model_007_v2_public", "harness_winogrande_5", split="train")

最新结果

以下是来自运行 2023-11-09T09:02:32.950364 的最新结果（注意，如果连续评估没有覆盖相同的任务，仓库中可能会有其他任务的结果。您可以在结果和每个评估的 "latest" 分割中找到每个任务的结果）：

python { "all": { "em": 0.1636954697986577, "em_stderr": 0.0037891361135837117, "f1": 0.31382655201342385, "f1_stderr": 0.0038067833114928977, "acc": 0.5639691402386229, "acc_stderr": 0.011361388955682963 }, "harness|drop|3": { "em": 0.1636954697986577, "em_stderr": 0.0037891361135837117, "f1": 0.31382655201342385, "f1_stderr": 0.0038067833114928977 }, "harness|gsm8k|5": { "acc": 0.28658074298711145, "acc_stderr": 0.012454841668337704 }, "harness|winogrande|5": { "acc": 0.8413575374901342, "acc_stderr": 0.010267936243028223 } }