open-llm-leaderboard-old/details_Sao10K__Stheno-1.3-L2-13B

数据集Sao10K/Stheno-1.3-L2-13B是在模型Sao10K/Stheno-1.3-L2-13B在Open LLM Leaderboard上的评估过程中自动创建的。该数据集由64个配置组成，每个配置对应一个评估任务。数据集由2次运行生成，每次运行的结果作为一个特定的分割存储，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，还有一个名为results的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。数据集Sao10K/Stheno-1.3-L2-13B是在模型Sao10K/Stheno-1.3-L2-13B在Open LLM Leaderboard上的评估过程中自动创建的。该数据集由64个配置组成，每个配置对应一个评估任务。数据集由2次运行生成，每次运行的结果作为一个特定的分割存储，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，还有一个名为results的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

数据集概述

数据集简介

该数据集是在对模型 Sao10K/Stheno-1.3-L2-13B 进行评估运行期间自动创建的，用于 Open LLM Leaderboard。

数据集结构

• 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。
• 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 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_Sao10K__Stheno-1.3-L2-13B", "harness_winogrande_5", split="train")

最新结果

以下是 2023-10-23T21:32:22.649999 运行 的最新结果： python { "all": { "em": 0.2075293624161074, "em_stderr": 0.0041530868871623655, "f1": 0.3234186241610759, "f1_stderr": 0.004163889670714078, "acc": 0.35670155034816864, "acc_stderr": 0.00702519954294294 }, "harness|drop|3": { "em": 0.2075293624161074, "em_stderr": 0.0041530868871623655, "f1": 0.3234186241610759, "f1_stderr": 0.004163889670714078 }, "harness|gsm8k|5": { "acc": 0.002274450341167551, "acc_stderr": 0.0013121578148674326 }, "harness|winogrande|5": { "acc": 0.7111286503551697, "acc_stderr": 0.012738241271018446 } }

配置详情

以下是数据集的配置详情：

配置列表

• harness_arc_challenge_25

  • 分割：2023_09_12T18_38_55.194574
    • 路径：**/details_harness|arc:challenge|25_2023-09-12T18-38-55.194574.parquet
  • 分割：latest
    • 路径：**/details_harness|arc:challenge|25_2023-09-12T18-38-55.194574.parquet

• harness_drop_3

  • 分割：2023_10_23T21_32_22.649999
    • 路径：**/details_harness|drop|3_2023-10-23T21-32-22.649999.parquet
  • 分割：latest
    • 路径：**/details_harness|drop|3_2023-10-23T21-32-22.649999.parquet

• harness_gsm8k_5

  • 分割：2023_10_23T21_32_22.649999
    • 路径：**/details_harness|gsm8k|5_2023-10-23T21-32-22.649999.parquet
  • 分割：latest
    • 路径：**/details_harness|gsm8k|5_2023-10-23T21-32-22.649999.parquet

• harness_hellaswag_10

  • 分割：2023_09_12T18_38_55.194574
    • 路径：**/details_harness|hellaswag|10_2023-09-12T18-38-55.194574.parquet
  • 分割：latest
    • 路径：**/details_harness|hellaswag|10_2023-09-12T18-38-55.194574.parquet

• harness_hendrycksTest_5

  • 分割：2023_09_12T18_38_55.194574
    • 路径：
      • **/details_harness|hendrycksTest-abstract_algebra|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-anatomy|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-astronomy|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-business_ethics|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-clinical_knowledge|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-college_biology|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-college_chemistry|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-college_computer_science|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-college_mathematics|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-college_medicine|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-college_physics|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-computer_security|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-conceptual_physics|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-econometrics|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-electrical_engineering|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-elementary_mathematics|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-formal_logic|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-global_facts|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-high_school_biology|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-high_school_chemistry|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-high_school_computer_science|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-high_school_european_history|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-high_school_geography|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-high_school_government_and_politics|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-high_school_macroeconomics|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-high_school_mathematics|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-high_school_microeconomics|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-high_school_physics|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-high_school_psychology|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-high_school_statistics|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-high_school_us_history|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-high_school_world_history|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-human_aging|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-human_sexuality|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-international_law|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-jurisprudence|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-logical_fallacies|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-machine_learning|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-management|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-marketing|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-medical_genetics|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-miscellaneous|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-moral_disputes|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-moral_scenarios|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-nutrition|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-philosophy|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-prehistory|5_2023-09-12T18-38-55.194574.parquet
      • **/details_harness|hendrycksTest-professional_accounting|5_2023-09-12T18-38-55.194574.parquet
      • `**/details_harness|hendrycksTest-professional_law|5_2023-

搜集汇总

数据集介绍

构建方式

该数据集是在Open LLM Leaderboard评测框架下，对Sao10K/Stheno-1.3-L2-13B模型进行自动化评估过程中生成的。数据集由64个配置（configuration）构成，每个配置对应一项被评测的任务，涵盖ARC挑战赛、DROP、GSM8K、HellaSwag、MMLU（涵盖57个学科子集）及WinoGrande等多个基准测试。每个运行轮次的结果以时间戳命名的分割（split）形式存储于各配置中，其中'train'分割始终指向最新一轮的评测结果。此外，数据集还包含一个名为'results'的额外配置，用于汇总所有运行的聚合指标，为排行榜上综合得分的计算与展示提供支撑。

特点

该数据集的核心特点在于其结构化的多任务评测体系与版本化追踪机制。64个配置分别对应不同难度与领域的自然语言理解任务，能够全面反映模型在推理、数学、常识及知识问答等多维度的能力水平。通过将每次运行结果存储为独立分割并保留时间戳，数据集实现了对模型性能演变的精细追踪，便于研究者进行纵向对比与回归分析。'results'配置提供的聚合指标则简化了综合评估流程，使模型整体表现一目了然。这种设计兼顾了细粒度分析与宏观评价的双重需求。

使用方法

使用者可通过HuggingFace的datasets库便捷加载该数据集。加载时需指定具体配置名称（如'harness_winogrande_5'）及所需分割（如'train'），以获取对应任务的评测详情。例如，执行'load_dataset("open-llm-leaderboard/details_Sao10K__Stheno-1.3-L2-13B", "harness_winogrande_5", split="train")'即可加载WinoGrande任务的最新结果。数据以Parquet格式存储，支持高效读取与处理。如需访问历史运行数据，可替换分割名称为对应时间戳格式的标识符。

背景与挑战

背景概述

在大规模语言模型（LLM）性能评估领域，开放性与可复现性已成为推动技术进步的关键因素。由HuggingFace团队主导的Open LLM Leaderboard项目，自2023年起构建了一套标准化评测框架，旨在系统性地衡量各类开源模型在多样化自然语言理解与生成任务上的表现。该数据集专为模型Sao10K/Stheno-1.3-L2-13B的评估而生，记录了其于2023年9月至10月间在ARC挑战、DROP、GSM8K、HellaSwag及涵盖57个学科领域的MMLU等基准测试上的详细结果。通过整合多轮评测数据，该数据集不仅揭示了该模型在常识推理与数学问题求解上的局限性，更促进了社区对模型能力的客观比较，对推动LLM研究的透明化与标准化产生了深远影响。

当前挑战

该数据集所应对的核心挑战在于，如何为日益庞大的开源语言模型建立一套统一、公正且多维度的性能评价体系。在领域问题层面，现有评测常面临任务单一或指标片面之困，难以全面反映模型在推理、知识掌握与生成质量上的真实能力；该数据集通过整合涵盖逻辑推理、阅读理解、数学运算及跨学科知识等多元任务，试图更精准地捕捉模型能力的全貌。在构建过程中，挑战则体现在数据采集与版本管理的复杂性上：由于模型评测需多次迭代，不同时间戳下的结果需被妥善组织与归档，同时要确保各任务配置间的数据文件路径正确、格式一致，并最终以可复现的方式呈现给用户，这对数据集的结构化设计与自动化处理能力提出了严苛要求。

常用场景

经典使用场景

在大型语言模型（LLM）评估领域，Open LLM Leaderboard 已成为衡量模型性能的标杆平台。该数据集专为记录和复现模型在标准化评测任务上的表现而设计，其经典使用场景在于对模型进行多维度、细粒度的能力诊断。通过加载如 winogrande、gsm8k、drop 等具体任务的配置，研究者能够精准获取模型在常识推理、数学求解及文本理解等维度的准确率与标准差，从而系统性地比较不同模型架构与训练策略的优劣。

解决学术问题

该数据集有效解决了大语言模型评估中普遍存在的“结果不可复现”与“评测标准不统一”两大核心难题。通过将每次评测结果以独立分割（split）形式持久化存储，并附以时间戳标识，它确保了每一次实验记录均可追溯与复现。这种设计为学术社区提供了一个透明、可信的基准，使得模型之间的横向比较不再依赖于零散的论文报告，而是基于统一的数据结构与评测流程，从而推动了模型能力的客观量化与标准化研究。

衍生相关工作

该数据集衍生了一系列重要的学术与工程工作，其中最具代表性的是基于其评测框架构建的模型竞技榜单（Leaderboard），该榜单已成为社区公认的模型性能风向标。研究者利用其结构化结果开展了关于模型规模与能力关系的元分析，并催生了针对特定任务（如数学推理）的专项评测基准。此外，该数据集的存储与加载范式也被后续的评测平台所借鉴，推动了评估数据标准化与自动化流水线的发展，进一步巩固了其在开源评测生态中的基础性地位。