open-llm-leaderboard-old/details_mistral-community__Mistral-7B-v0.2

该数据集是在Open LLM Leaderboard上对模型mistral-community/Mistral-7B-v0.2进行评估时自动创建的。数据集由63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，每次运行的结果作为特定配置中的一个分割，分割名称使用运行的时间戳。train分割始终指向最新的结果。此外，还有一个results配置存储所有运行的聚合结果，用于计算和显示在Open LLM Leaderboard上的聚合指标。

原始信息汇总

数据集概述

数据集摘要

该数据集是在对模型 mistral-community/Mistral-7B-v0.2 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 63 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，每次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 "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。

数据加载示例

python from datasets import load_dataset data = load_dataset("open-llm-leaderboard/details_mistral-community__Mistral-7B-v0.2", "harness_winogrande_5", split="train")

最新结果

以下是 2024-04-23T10:33:37.077482 运行的最新结果：

python { "all": { "acc": 0.6325543624948762, "acc_stderr": 0.03244270526684644, "acc_norm": 0.6390054210215537, "acc_norm_stderr": 0.033101546044414024, "mc1": 0.2766217870257038, "mc1_stderr": 0.01565960575532692, "mc2": 0.4175831289016788, "mc2_stderr": 0.014205422808866683 }, "harness|arc:challenge|25": { "acc": 0.5674061433447098, "acc_stderr": 0.014478005694182526, "acc_norm": 0.6083617747440273, "acc_norm_stderr": 0.014264122124938215 }, "harness|hellaswag|10": { "acc": 0.626867157936666, "acc_stderr": 0.004826485582191012, "acc_norm": 0.8308105954989046, "acc_norm_stderr": 0.0037415289563158447 }, "harness|hendrycksTest-abstract_algebra|5": { "acc": 0.29, "acc_stderr": 0.045604802157206845, "acc_norm": 0.29, "acc_norm_stderr": 0.045604802157206845 }, "harness|hendrycksTest-anatomy|5": { "acc": 0.6074074074074074, "acc_stderr": 0.0421850621536888, "acc_norm": 0.6074074074074074, "acc_norm_stderr": 0.0421850621536888 }, "harness|hendrycksTest-astronomy|5": { "acc": 0.6513157894736842, "acc_stderr": 0.0387813988879761, "acc_norm": 0.6513157894736842, "acc_norm_stderr": 0.0387813988879761 }, "harness|hendrycksTest-business_ethics|5": { "acc": 0.61, "acc_stderr": 0.04902071300001975, "acc_norm": 0.61, "acc_norm_stderr": 0.04902071300001975 }, "harness|hendrycksTest-clinical_knowledge|5": { "acc": 0.6867924528301886, "acc_stderr": 0.028544793319055326, "acc_norm": 0.6867924528301886, "acc_norm_stderr": 0.028544793319055326 }, "harness|hendrycksTest-college_biology|5": { "acc": 0.6944444444444444, "acc_stderr": 0.03852084696008534, "acc_norm": 0.6944444444444444, "acc_norm_stderr": 0.03852084696008534 }, "harness|hendrycksTest-college_chemistry|5": { "acc": 0.49, "acc_stderr": 0.05024183937956912, "acc_norm": 0.49, "acc_norm_stderr": 0.05024183937956912 }, "harness|hendrycksTest-college_computer_science|5": { "acc": 0.51, "acc_stderr": 0.05024183937956911, "acc_norm": 0.51, "acc_norm_stderr": 0.05024183937956911 }, "harness|hendrycksTest-college_mathematics|5": { "acc": 0.38, "acc_stderr": 0.04878317312145632, "acc_norm": 0.38, "acc_norm_stderr": 0.04878317312145632 }, "harness|hendrycksTest-college_medicine|5": { "acc": 0.653179190751445, "acc_stderr": 0.036291466701596636, "acc_norm": 0.653179190751445, "acc_norm_stderr": 0.036291466701596636 }, "harness|hendrycksTest-college_physics|5": { "acc": 0.3333333333333333, "acc_stderr": 0.04690650298201942, "acc_norm": 0.3333333333333333, "acc_norm_stderr": 0.04690650298201942 }, "harness|hendrycksTest-computer_security|5": { "acc": 0.76, "acc_stderr": 0.04292346959909284, "acc_norm": 0.76, "acc_norm_stderr": 0.04292346959909284 }, "harness|hendrycksTest-conceptual_physics|5": { "acc": 0.5787234042553191, "acc_stderr": 0.03227834510146267, "acc_norm": 0.5787234042553191, "acc_norm_stderr": 0.03227834510146267 }, "harness|hendrycksTest-econometrics|5": { "acc": 0.45614035087719296, "acc_stderr": 0.046854730419077895, "acc_norm": 0.45614035087719296, "acc_norm_stderr": 0.046854730419077895 }, "harness|hendrycksTest-electrical_engineering|5": { "acc": 0.5586206896551724, "acc_stderr": 0.04137931034482757, "acc_norm": 0.5586206896551724, "acc_norm_stderr": 0.04137931034482757 }, "harness|hendrycksTest-elementary_mathematics|5": { "acc": 0.41005291005291006, "acc_stderr": 0.02533120243894444, "acc_norm": 0.41005291005291006, "acc_norm_stderr": 0.02533120243894444 }, "harness|hendrycksTest-formal_logic|5": { "acc": 0.4126984126984127, "acc_stderr": 0.04403438954768176, "acc_norm": 0.4126984126984127, "acc_norm_stderr": 0.04403438954768176 }, "harness|hendrycksTest-global_facts|5": { "acc": 0.39, "acc_stderr": 0.04902071300001974, "acc_norm": 0.39, "acc_norm_stderr": 0.04902071300001974 }, "harness|hendrycksTest-high_school_biology|5": { "acc": 0.7548387096774194, "acc_stderr": 0.024472243840895525, "acc_norm": 0.7548387096774194, "acc_norm_stderr": 0.024472243840895525 }, "harness|hendrycksTest-high_school_chemistry|5": { "acc": 0.5566502463054187, "acc_stderr": 0.03495334582162934, "acc_norm": 0.5566502463054187, "acc_norm_stderr": 0.03495334582162934 }, "harness|hendrycksTest-high_school_computer_science|5": { "acc": 0.65, "acc_stderr": 0.04793724854411018, "acc_norm": 0.65, "acc_norm_stderr": 0.04793724854411018 }, "harness|hendrycksTest-high_school_european_history|5": { "acc": 0.7575757575757576, "acc_stderr": 0.03346409881055953, "acc_norm": 0.7575757575757576, "acc_norm_stderr": 0.03346409881055953 }, "harness|hendrycksTest-high_school_geography|5": { "acc": 0.7828282828282829, "acc_stderr": 0.02937661648494562, "acc_norm": 0.7828282828282829, "acc_norm_stderr": 0.02937661648494562 }, "harness|hendrycksTest-high_school_government_and_politics|5": { "acc": 0.8756476683937824, "acc_stderr": 0.02381447708659355, "acc_norm": 0.8756476683937824, "acc_norm_stderr": 0.02381447708659355 }, "harness|hendrycksTest-high_school_macroeconomics|5": { "acc": 0.6102564102564103, "acc_stderr": 0.024726967886647074, "acc_norm": 0.6102564102564103, "acc_norm_stderr": 0.024726967886647074 }, "harness|hendrycksTest-high_school_mathematics|5": { "acc": 0.3592592592592593, "acc_stderr": 0.029252905927251976, "acc_norm": 0.3592592592592593, "acc_norm_stderr":

搜集汇总

数据集介绍

构建方式

本数据集是在对模型 [mistral-community/Mistral-7B-v0.2](https://huggingface.co/mistral-community/Mistral-7B-v0.2) 进行评估过程中自动生成的。数据集包含 63 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，每次运行作为一个特定分割存储，分割名称使用运行的时间戳命名。"train" 分割始终指向最新的结果。

特点

数据集具有多个配置，每个配置包含多个分割，允许用户选择特定的运行结果进行加载。此外，数据集中包含一个名为 "results" 的配置，用于存储所有运行的综合结果，并用于计算和展示在 [Open LLM Leaderboard](https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard) 上的综合指标。

使用方法

要加载特定运行的详细信息，用户可以使用以下 Python 代码： python from datasets import load_dataset data = load_dataset("open-llm-leaderboard/details_mistral-community__Mistral-7B-v0.2", "harness_winogrande_5", split="train") 用户可以根据需要选择不同的配置和分割来获取所需的数据。

背景与挑战

背景概述

在大规模语言模型的评估与比较中，Mistral-7B-v0.2数据集的创建提供了对Mistral-7B语言模型在Open LLM Leaderboard上进行评估的详细记录。该数据集由63个配置组成，每个配置对应一个评估任务。这些配置包括从2次运行中创建的数据集，每次运行都有特定的分割，使用运行的时间戳命名。该数据集的创建为研究者提供了一个全面了解Mistral-7B模型在不同任务上的表现的平台，推动了自然语言处理领域的发展。

当前挑战

尽管Mistral-7B-v0.2数据集为自然语言处理领域的研究提供了宝贵的资源，但在构建和使用该数据集时仍面临一些挑战。首先，数据集的创建依赖于模型在Open LLM Leaderboard上的表现，这可能受到模型训练和评估过程中的各种因素的影响，如超参数设置、数据预处理等。其次，数据集的规模和多样性可能会对模型的训练和评估带来挑战，需要研究者进行精细的数据处理和分析。此外，数据集的更新和维护也需要持续的关注和努力，以确保其准确性和可靠性。

常用场景

经典使用场景

在人工智能领域，尤其是自然语言处理领域，模型评估是一个至关重要的环节。Mistral-7B-v0.2数据集作为Open LLM Leaderboard的一部分，其经典的使用场景在于对大型语言模型的评估。通过对63种不同配置的评估，该数据集为研究者提供了全面、细致的模型性能数据，有助于研究者深入了解模型在不同任务上的表现，为模型优化和算法改进提供依据。

实际应用

Mistral-7B-v0.2数据集在实际应用中具有广泛的价值。例如，在智能客服、机器翻译、文本生成等领域，该数据集可以用于评估模型在不同场景下的性能，帮助开发者和企业选择最适合的模型，提高产品的性能和用户体验。

衍生相关工作

Mistral-7B-v0.2数据集的推出，促进了自然语言处理领域内相关研究的发展。例如，基于该数据集，研究者可以进一步研究模型在不同任务上的性能差异，探索模型优化和算法改进的方法，为自然语言处理领域的研究提供新的思路和方向。