open-llm-leaderboard/details_Rachneet__gpt2-xl-alpaca
收藏Hugging Face2023-10-15 更新2024-03-04 收录
下载链接：
https://hf-mirror.com/datasets/open-llm-leaderboard/details_Rachneet__gpt2-xl-alpaca
下载链接
链接失效反馈官方服务：
资源简介：
该数据集是在模型 Rachneet/gpt2-xl-alpaca 在 Open LLM Leaderboard 上的评估运行期间自动创建的。数据集由 64 个配置组成，每个配置对应一个评估任务。它由 2 次运行生成，每次运行在每个配置中表示为特定的分割。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 Leaderboard 上的聚合指标。README 还提供了一个示例，展示了如何使用 `datasets` 库中的 `load_dataset` 函数加载运行中的详细信息。
提供机构：
open-llm-leaderboard
原始信息汇总
数据集概述
该数据集是在对模型 Rachneet/gpt2-xl-alpaca 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 64 个配置，每个配置对应一个评估任务。
- 数据集从 2 次运行中创建。每个运行可以在每个配置中找到特定的分割，分割名称使用运行的时间戳。
- "train" 分割始终指向最新的结果。
- 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_Rachneet__gpt2-xl-alpaca", "harness_winogrande_5", split="train")
最新结果
以下是 2023-10-15T05:57:01.634897 运行的最新结果：
python { "all": { "em": 0.00576761744966443, "em_stderr": 0.0007755000442814736, "f1": 0.06548028523489936, "f1_stderr": 0.001565882245526754, "acc": 0.2845303867403315, "acc_stderr": 0.00695889831166798 }, "harness|drop|3": { "em": 0.00576761744966443, "em_stderr": 0.0007755000442814736, "f1": 0.06548028523489936, "f1_stderr": 0.001565882245526754 }, "harness|gsm8k|5": { "acc": 0.0, "acc_stderr": 0.0 }, "harness|winogrande|5": { "acc": 0.569060773480663, "acc_stderr": 0.01391779662333596 } }
配置详情
-
harness_arc_challenge_25
- 分割：2023_07_18T18_01_10.182884
- 路径：
**/details_harness|arc:challenge|25_2023-07-18T18:01:10.182884.parquet
- 路径：
- 分割：latest
- 路径：
**/details_harness|arc:challenge|25_2023-07-18T18:01:10.182884.parquet
- 路径：
- 分割：2023_07_18T18_01_10.182884
-
harness_drop_3
- 分割：2023_10_15T05_57_01.634897
- 路径：
**/details_harness|drop|3_2023-10-15T05-57-01.634897.parquet
- 路径：
- 分割：latest
- 路径：
**/details_harness|drop|3_2023-10-15T05-57-01.634897.parquet
- 路径：
- 分割：2023_10_15T05_57_01.634897
-
harness_gsm8k_5
- 分割：2023_10_15T05_57_01.634897
- 路径：
**/details_harness|gsm8k|5_2023-10-15T05-57-01.634897.parquet
- 路径：
- 分割：latest
- 路径：
**/details_harness|gsm8k|5_2023-10-15T05-57-01.634897.parquet
- 路径：
- 分割：2023_10_15T05_57_01.634897
-
harness_hellaswag_10
- 分割：2023_07_18T18_01_10.182884
- 路径：
**/details_harness|hellaswag|10_2023-07-18T18:01:10.182884.parquet
- 路径：
- 分割：latest
- 路径：
**/details_harness|hellaswag|10_2023-07-18T18:01:10.182884.parquet
- 路径：
- 分割：2023_07_18T18_01_10.182884
-
harness_hendrycksTest_5
- 分割：2023_07_18T18_01_10.182884
- 路径：
**/details_harness|hendrycksTest-abstract_algebra|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-anatomy|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-astronomy|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-business_ethics|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-clinical_knowledge|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-college_biology|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-college_chemistry|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-college_computer_science|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-college_mathematics|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-college_medicine|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-college_physics|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-computer_security|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-conceptual_physics|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-econometrics|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-electrical_engineering|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-elementary_mathematics|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-formal_logic|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-global_facts|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-high_school_biology|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-high_school_chemistry|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-high_school_computer_science|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-high_school_european_history|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-high_school_geography|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-high_school_government_and_politics|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-high_school_macroeconomics|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-high_school_mathematics|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-high_school_microeconomics|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-high_school_physics|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-high_school_psychology|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-high_school_statistics|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-high_school_us_history|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-high_school_world_history|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-human_aging|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-human_sexuality|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-international_law|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-jurisprudence|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-logical_fallacies|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-machine_learning|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-management|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-marketing|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-medical_genetics|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-miscellaneous|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-moral_disputes|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-moral_scenarios|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-nutrition|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-philosophy|5_2023-07-18T18:01:10.182884.parquet - 路径：
**/details_harness|hendrycksTest-prehistory|5_2023-07-18T18:01:10.182884.parquet - 路径：`**/details_harness|hendrycksTest-professional_accounting|5_202
- 路径：
- 分割：2023_07_18T18_01_10.182884
搜集汇总
数据集介绍
构建方式
在大型语言模型评估领域，Open LLM Leaderboard 为模型性能的量化分析提供了标准化平台。该数据集是模型 Rachneet/gpt2-xl-alpaca 在 Open LLM Leaderboard 上进行评估时自动生成的产物，由 64 个配置组成，每个配置对应一项被评估的任务。数据集的构建源自两次独立的评估运行，每次运行的结果被存储为特定分割，并以运行时间戳命名，其中 "train" 分割始终指向最新结果。此外，一个名为 "results" 的额外配置汇集了所有运行的聚合指标，用于在 Leaderboard 上计算与展示综合评估分数。
特点
该数据集的核心特色在于其结构化的多任务评估框架，覆盖了从常识推理（如 Winogrande）到数学推理（如 GSM8K）再到领域知识（如 MMLU 的 57 个学科）的广泛能力测试。每个配置下的数据以 Parquet 格式存储，并包含基于时间戳的多个分割版本，便于追溯模型性能的历史变化。数据集不仅记录了各项任务的精确度（acc）、F1 分数等细粒度指标，还提供了标准误差（stderr）以表征统计可靠性，为深入分析模型在不同维度上的优势与短板提供了坚实的数据基础。
使用方法
研究人员可通过 Hugging Face 的 datasets 库便捷地调用该数据集。具体而言，使用 load_dataset 函数并指定数据集标识符、目标配置名称（如 "harness_winogrande_5"）以及所需分割（如 "train" 以获取最新结果），即可加载特定任务的评估详情。若需访问历史评估数据，只需将分割参数替换为对应时间戳的标识符。这种设计使得用户能够灵活地复现评估、对比不同运行间的性能波动，或整合多个配置的数据进行综合性模型能力分析。
背景与挑战
背景概述
在大型语言模型（LLM）性能评估领域，标准化基准测试的缺失长期困扰着研究社区。2023年，HuggingFace团队发起了Open LLM Leaderboard项目，旨在通过统一的评估框架衡量各类开源模型的推理、知识与泛化能力。该数据集正是为评估Rachneet等人于2023年提交的gpt2-xl-alpaca模型而生，该模型基于GPT-2 XL架构并经Alpaca指令微调，试图探索小规模参数模型在复杂任务上的潜力。数据集由Clementine Fourrier主导构建，依托HuggingFace平台，通过多次运行记录模型在ARC、DROP、GSM8K、WinoGrande及HendrycksTest等57项任务上的表现，为社区提供了可复现的细粒度评估结果。其影响力体现在推动了LLM评估的透明化与标准化，使研究者得以横向对比不同模型在常识推理、数学解题、文本理解等维度的真实水平。
当前挑战
该数据集所应对的核心领域挑战在于，大语言模型在多样化自然语言任务中表现参差不齐，缺乏统一、细粒度的评估手段。具体而言，模型在GSM8K数学推理任务上准确率为0%，暴露出小参数模型在符号推理与多步计算上的根本性局限；而在WinoGrande常识推理任务中仅达56.9%的准确率，显示其对歧义代词消解与情境理解的不足。构建过程中，团队面临多重困难：需为64个任务配置独立的数据分片与运行时间戳，确保评估结果的可追溯性；同时要处理跨多次运行之间的结果一致性，避免因模型版本或评估环境差异引入偏差。此外，整合来自HendrycksTest等包含57个学科子集的复杂基准，对数据格式标准化与存储效率提出了严峻挑战。
常用场景
经典使用场景
在大型语言模型评估的宏阔疆域中，Open LLM Leaderboard上的评估运行数据集为模型性能的量化比较提供了基石。该数据集专为评估Rachneet/gpt2-xl-alpaca模型而构建，涵盖了从常识推理到复杂数学求解等64项多样化任务，如ARC挑战赛、DROP阅读理解、GSM8K数学问题及HellaSwag情境推理等。通过这一数据集，研究者能够以标准化的方式，在统一的基准上对模型进行多维度、细粒度的能力剖析，从而精准定位模型在知识储备、逻辑推理与语言理解等方面的优势与短板。这种典范式的使用场景，使得该数据集成为模型迭代优化与横向对比不可或缺的利器。
衍生相关工作
该数据集作为Open LLM Leaderboard生态系统的关键组件，衍生并催生了一系列关于语言模型评估与改进的经典工作。其中，基于该数据集结果的分析报告常被引用于探讨模型规模与任务表现之间的缩放法则，揭示了不同模型架构在复杂推理任务上的涌现能力。研究者利用该数据集中的细粒度评测结果，开发了针对性的模型纠错与知识增强技术，例如通过分析模型在MMLU特定子任务上的薄弱环节，设计出更高效的领域适配微调策略。这些衍生工作不仅深化了我们对模型能力边界的理解，也推动了诸如指令微调、少样本学习等前沿方向的发展，形成了一个以标准化评估为核心的良性研究循环。
数据集最近研究
最新研究方向
在大型语言模型评估领域，Open LLM Leaderboard已成为衡量模型综合性能的权威基准平台。该数据集记录了Rachneet/gpt2-xl-alpaca模型在64项任务上的详细评测结果，涵盖从常识推理（如Winogrande）到数学求解（如GSM8K）再到学科知识（如HendrycksTest）的多维度能力。当前前沿研究聚焦于通过细粒度评测揭示模型在特定能力维度的短板，例如该模型在GSM8K上准确率为0%的现象，凸显了指令微调后的小型模型在复杂推理任务上的局限性。这一研究方向与近期业界对模型能力透明化、标准化评测的热点事件紧密相连，推动了社区对模型泛化能力与任务特异性之间关系的深入思考，为后续模型优化提供了关键的数据支撑和方向指引。
以上内容由遇见数据集搜集并总结生成
