open-llm-leaderboard-old/details_Undi95__MLewd-v2.4-13B

该数据集是在评估模型Undi95/MLewd-v2.4-13B时自动创建的，包含3个配置，每个配置对应一个评估任务。数据集由2次运行生成，每次运行的结果作为特定配置中的一个分割，分割名称使用运行的时间戳。此外，还有一个名为“results”的配置，用于存储所有运行的聚合结果，并在Open LLM Leaderboard上显示聚合指标。README还提供了加载数据集的具体代码示例，并展示了最新的评估结果。

原始信息汇总

数据集卡片 for Evaluation run of Undi95/MLewd-v2.4-13B

数据集描述

数据集概述

该数据集是在模型 Undi95/MLewd-v2.4-13B 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。

数据集从 2 次运行中创建。每次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 timestamp。"train" 分割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（并用于计算和显示 Open LLM Leaderboard 上的聚合指标）。

要加载某个运行的详细信息，可以执行以下操作： python from datasets import load_dataset data = load_dataset("open-llm-leaderboard/details_Undi95__MLewd-v2.4-13B_public", "harness_winogrande_5", split="train")

最新结果

以下是 2023-11-06T15:01:09.022171 运行的最新结果（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。您可以在每个评估的 "results" 和 "latest" 分割中找到每个任务的结果）：

python { "all": { "em": 0.37153942953020136, "em_stderr": 0.004948586020359345, "f1": 0.4432686661073842, "f1_stderr": 0.0047496461477472855, "acc": 0.4214342261393644, "acc_stderr": 0.010215463395612735 }, "harness|drop|3": { "em": 0.37153942953020136, "em_stderr": 0.004948586020359345, "f1": 0.4432686661073842, "f1_stderr": 0.0047496461477472855 }, "harness|gsm8k|5": { "acc": 0.0978013646702047, "acc_stderr": 0.008182119821849047 }, "harness|winogrande|5": { "acc": 0.745067087608524, "acc_stderr": 0.012248806969376422 } }