open-llm-leaderboard/details_psmathur__test_42_70b

该数据集是在模型psmathur/test_42_70b的评估运行期间自动创建的，用于Open LLM Leaderboard。数据集包含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分割存储在配置中，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，还有一个results配置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。

原始信息汇总

数据集卡片 for Evaluation run of psmathur/test_42_70b

数据集描述

数据集摘要

数据集是在模型 psmathur/test_42_70b 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）。

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_psmathur__test_42_70b_public", "harness_winogrande_5", split="train")

最新结果

以下是 2023-11-07T08:14:38.218715 运行的最新结果（注意，如果连续评估未覆盖相同任务，则仓库中可能存在其他任务的结果。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": 0.08095637583892618, "em_stderr": 0.0027934007378494835, "f1": 0.14089450503355697, "f1_stderr": 0.002922494704077647, "acc": 0.6480304552550813, "acc_stderr": 0.012058894490351774 }, "harness|drop|3": { "em": 0.08095637583892618, "em_stderr": 0.0027934007378494835, "f1": 0.14089450503355697, "f1_stderr": 0.002922494704077647 }, "harness|gsm8k|5": { "acc": 0.45943896891584535, "acc_stderr": 0.013727093010429786 }, "harness|winogrande|5": { "acc": 0.8366219415943172, "acc_stderr": 0.01039069597027376 } }