该数据集是一个旨在评估大型基础模型在多种交互式决策任务中的多模态决策能力的基准测试。该基准测试涵盖了零样本、少样本和多样本情境，以评估模型在上下文学习环境中的表现。其规模可达到上百万个标记和最多512个完整演示集。任务包括玩井字游戏、国际象棋、Atari游戏、网格世界导航、解纵横字谜以及控制模拟猎豹等交互式决策任务。

arXiv460

open-llm-leaderboard/details_huggyllama__llama-30b

大型语言模型评估

基准测试

该数据集是在Open LLM Leaderboard上评估模型huggyllama/llama-30b时自动生成的。数据集由122个配置组成，每个配置对应一个评估任务。数据集由4次运行生成，每次运行在每个配置中表示为特定的分割，分割名称使用运行的时间戳。train分割始终指向最新的结果。一个名为results的额外配置存储了所有运行的聚合结果，这些结果用于计算和显示Open LLM Leaderb

Hugging Face2023-09-16 更新190

Cars Fuel Efficiency Benchmark Edition

资源简介：

相关数据集