open-llm-leaderboard-old/details_lmsys__longchat-13b-16k

该数据集是在评估模型lmsys/longchat-13b-16k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1次运行生成，每次运行的结果存储在特定的分割中，分割名称使用运行的时间戳。train分割始终指向最新结果。此外，results配置存储了所有运行的聚合结果，用于在Open LLM Leaderboard上计算和显示聚合指标。

原始信息汇总

数据集卡片 for Evaluation run of lmsys/longchat-13b-16k

数据集描述

数据集摘要

数据集是在模型 lmsys/longchat-13b-16k 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_lmsys__longchat-13b-16k", "harness_winogrande_5", split="train")

最新结果

以下是来自运行 2023-10-18T21:36:45.302966 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 "results" 和每个评估的 "latest" 分割中找到每个任务的结果）：

python { "all": { "em": 0.2019714765100671, "em_stderr": 0.004111439260592583, "f1": 0.26415687919463077, "f1_stderr": 0.004150479007025519, "acc": 0.3712832244178191, "acc_stderr": 0.009187422062133662 }, "harness|drop|3": { "em": 0.2019714765100671, "em_stderr": 0.004111439260592583, "f1": 0.26415687919463077, "f1_stderr": 0.004150479007025519 }, "harness|gsm8k|5": { "acc": 0.04169825625473844, "acc_stderr": 0.0055062050581757725 }, "harness|winogrande|5": { "acc": 0.7008681925808997, "acc_stderr": 0.012868639066091552 } }