open-llm-leaderboard-old/details_MayaPH__GodziLLa-30B

该数据集是在Open LLM Leaderboard上对模型MayaPH/GodziLLa-30B进行评估时自动创建的。数据集由64个配置组成，每个配置对应一个评估任务。数据集是从2次运行中创建的，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，用于计算和显示Open LLM Leaderboard上的聚合指标。README还提供了一个使用`datasets`库中的`load_dataset`函数加载运行细节的示例。

原始信息汇总

数据集概述

该数据集是在评估模型 MayaPH/GodziLLa-30B 在 Open LLM Leaderboard 上的自动创建的。数据集包含 64 个配置，每个配置对应一个评估任务。

数据集结构

• 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。
• 一个额外的配置 "results" 存储所有运行的聚合结果，用于计算和显示在 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_MayaPH__GodziLLa-30B", "harness_winogrande_5", split="train")

最新结果

以下是 2023-09-17T01:20:37.554639 运行的最新结果：

python { "all": { "em": 0.22808305369127516, "em_stderr": 0.004297060303049989, "f1": 0.34862416107382826, "f1_stderr": 0.004249472334452047, "acc": 0.3827162119062479, "acc_stderr": 0.006833824703926247 }, "harness|drop|3": { "em": 0.22808305369127516, "em_stderr": 0.004297060303049989, "f1": 0.34862416107382826, "f1_stderr": 0.004249472334452047 }, "harness|gsm8k|5": { "acc": 0.0037907505686125853, "acc_stderr": 0.0016927007401501802 }, "harness|winogrande|5": { "acc": 0.7616416732438832, "acc_stderr": 0.011974948667702313 } }

配置详情

• harness_arc_challenge_25

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|arc:challenge|25_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|arc:challenge|25_2023-07-19T22:21:46.977528.parquet

• harness_drop_3

  • 分割：2023_09_17T01_20_37.554639
  • 路径：**/details_harness|drop|3_2023-09-17T01-20-37.554639.parquet
  • 分割：latest
  • 路径：**/details_harness|drop|3_2023-09-17T01-20-37.554639.parquet

• harness_gsm8k_5

  • 分割：2023_09_17T01_20_37.554639
  • 路径：**/details_harness|gsm8k|5_2023-09-17T01-20-37.554639.parquet
  • 分割：latest
  • 路径：**/details_harness|gsm8k|5_2023-09-17T01-20-37.554639.parquet

• harness_hellaswag_10

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hellaswag|10_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hellaswag|10_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-abstract_algebra|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-abstract_algebra|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_abstract_algebra_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-abstract_algebra|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-abstract_algebra|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_anatomy_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-anatomy|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-anatomy|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_astronomy_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-astronomy|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-astronomy|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_business_ethics_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-business_ethics|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-business_ethics|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_clinical_knowledge_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-clinical_knowledge|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-clinical_knowledge|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_college_biology_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-college_biology|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-college_biology|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_college_chemistry_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-college_chemistry|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-college_chemistry|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_college_computer_science_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-college_computer_science|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-college_computer_science|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_college_mathematics_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-college_mathematics|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-college_mathematics|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_college_medicine_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-college_medicine|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-college_medicine|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_college_physics_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-college_physics|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-college_physics|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_computer_security_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-computer_security|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-computer_security|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_conceptual_physics_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-conceptual_physics|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-conceptual_physics|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_econometrics_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-econometrics|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：**/details_harness|hendrycksTest-econometrics|5_2023-07-19T22:21:46.977528.parquet

• harness_hendrycksTest_electrical_engineering_5

  • 分割：2023_07_19T22_21_46.977528
  • 路径：**/details_harness|hendrycksTest-electrical_engineering|5_2023-07-19T22:21:46.977528.parquet
  • 分割：latest
  • 路径：`**/details_harness|hendrycksTest-electrical_engineering|5_2023-07-19T22

搜集汇总

数据集介绍

构建方式

在大型语言模型评估领域，数据集构建的严谨性直接决定了评估结果的公信力。该数据集是在开放大语言模型排行榜框架下，对MayaPH/GodziLLa-30B模型进行系统性评估时自动生成的。其构建过程依托于标准化的评估流程，通过多次运行（run）对模型在64个不同任务配置上的表现进行测试，每次运行均以时间戳标识并存储为独立的数据分割。评估结果以Parquet格式文件保存，并专门设立了一个“results”配置来汇总所有运行的聚合指标，确保了数据来源的透明性与可追溯性。

使用方法

对于希望深入分析模型性能的研究者而言，该数据集提供了便捷的访问接口。用户可通过Hugging Face的`datasets`库，指定数据集名称、具体任务配置（如`harness_winogrande_5`）以及所需的分割（如`train`或特定时间戳）来加载数据。加载后的数据可直接用于计算各项评估指标，或进行跨任务、跨时间点的对比分析。这种结构化的访问方式，使得复现排行榜结果、进行模型间的细粒度比较，或探究特定任务上的模型行为变得高效而直接。

背景与挑战

背景概述

在大型语言模型（LLM）快速发展的背景下，HuggingFace平台于2023年推出了Open LLM Leaderboard，旨在通过标准化评估框架，系统性地衡量和比较不同开源语言模型的综合能力。该数据集作为评估运行的一部分，记录了模型MayaPH/GodziLLa-30B在多个基准任务上的详细性能数据，涵盖了常识推理、数学解题、知识问答等多个维度。其创建源于对模型透明评估和可复现性的需求，由HuggingFace团队主导，通过自动化流程生成，为研究社区提供了模型性能的细粒度洞察，推动了开源模型的可信度与迭代优化。

当前挑战

该数据集致力于解决大型语言模型在多样化任务上的综合评估挑战，其核心在于如何设计公平、全面且可比的评测体系，以准确反映模型在常识推理、专业知识和数学能力等复杂场景下的真实水平。在构建过程中，挑战主要体现在多任务数据整合与标准化处理上，需协调不同基准（如ARC、HellaSwag、MMLU）的评估协议与数据格式，确保评估结果的一致性与可解释性。同时，自动化评估流程需处理大规模并行计算与结果聚合，避免因运行环境差异引入偏差，保障数据的时间序列一致性与可复现性。

常用场景

经典使用场景

在大型语言模型评估领域，该数据集作为开放大模型排行榜的组成部分，其经典使用场景在于为研究人员提供GodziLLa-30B模型在多样化基准测试中的详尽性能数据。通过整合ARC挑战赛、HellaSwag、MMLU及GSM8K等权威任务，该数据集构建了一个多维度的评估框架，使得模型在常识推理、语言理解与数学解题等核心能力上的表现得以被量化分析与横向比较。

解决学术问题

该数据集有效解决了大模型评估中标准化与可复现性的关键学术问题。通过提供结构化的评估配置与详尽的指标输出，它使得不同模型间的性能对比具备了科学严谨性，从而推动了模型能力评估从定性描述向定量分析的范式转变。其意义在于为学术界建立了一个透明、一致的评估基准，促进了模型迭代优化与能力边界的探索。

实际应用

在实际应用层面，该数据集为模型开发者与产业界提供了直接的性能参考依据。企业可依据其在特定任务（如代码生成、专业领域问答）上的表现数据，筛选适配业务需求的基础模型；同时，详细的错误分析数据能够指导模型微调与部署优化，降低模型选型与技术集成的风险与成本。

数据集最近研究

最新研究方向

在大型语言模型评估领域，随着模型性能的不断提升，评估框架正朝着更精细化和多维度的方向发展。当前研究热点聚焦于如何超越传统的基准测试，通过引入动态评估、对抗性测试以及跨领域知识融合来全面衡量模型的真实能力。例如，针对GodziLLa-30B等模型在开放LLM排行榜上的表现，学术界正探索如何将推理能力、伦理对齐及领域适应性纳入统一评估体系，以应对模型在实际应用中的复杂挑战。这些进展不仅推动了评估方法的革新，也为模型优化提供了关键指引，促进了人工智能技术向更可靠、更智能的方向演进。