open-llm-leaderboard-old/details_codellama__CodeLlama-7b-hf
收藏Hugging Face2023-10-14 更新2024-06-22 收录
下载链接：
https://hf-mirror.com/datasets/open-llm-leaderboard-old/details_codellama__CodeLlama-7b-hf
下载链接
链接失效反馈官方服务：
资源简介：
该数据集是在模型 codellama/CodeLlama-7b-hf 在 Open LLM Leaderboard 上的评估过程中自动生成的。数据集由 64 个配置组成，每个配置对应一个被评估的任务。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，分割名称由运行的时间戳命名。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，这些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 Python 代码片段来加载运行中的详细信息，并包含了特定运行的最新结果。
该数据集是在模型 codellama/CodeLlama-7b-hf 在 Open LLM Leaderboard 上的评估过程中自动生成的。数据集由 64 个配置组成，每个配置对应一个被评估的任务。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，分割名称由运行的时间戳命名。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，这些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 Python 代码片段来加载运行中的详细信息，并包含了特定运行的最新结果。
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 codellama/CodeLlama-7b-hf 进行评估运行期间自动创建的，用于 Open LLM Leaderboard。
数据集结构
- 配置数量：64个配置，每个配置对应一个评估任务。
- 运行次数：数据集由2次运行创建。每次运行在每个配置中作为一个特定的分片存在，分片名称使用运行的时间戳。
- 最新结果："train" 分片始终指向最新的结果。
- 汇总结果：一个额外的配置 "results" 存储所有运行的汇总结果，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_codellama__CodeLlama-7b-hf", "harness_winogrande_5", split="train")
最新结果
以下是 2023-10-14T19:46:33.225068 运行的最新结果： python { "all": { "em": 0.0006291946308724832, "em_stderr": 0.00025680027497238217, "f1": 0.05123741610738289, "f1_stderr": 0.001242998424746743, "acc": 0.34582445982552373, "acc_stderr": 0.009790248772764803 }, "harness|drop|3": { "em": 0.0006291946308724832, "em_stderr": 0.00025680027497238217, "f1": 0.05123741610738289, "f1_stderr": 0.001242998424746743 }, "harness|gsm8k|5": { "acc": 0.05155420773313116, "acc_stderr": 0.006090887955262816 }, "harness|winogrande|5": { "acc": 0.6400947119179163, "acc_stderr": 0.01348960959026679 } }
配置详情
以下是部分配置及其数据文件路径：
- harness_arc_challenge_25
- 分片：2023_08_26T04_20_17.128606
- 路径：
**/details_harness|arc:challenge|25_2023-08-26T04:20:17.128606.parquet
- 路径：
- 分片：latest
- 路径：
**/details_harness|arc:challenge|25_2023-08-26T04:20:17.128606.parquet
- 路径：
- 分片：2023_08_26T04_20_17.128606
- harness_drop_3
- 分片：2023_10_14T19_46_33.225068
- 路径：
**/details_harness|drop|3_2023-10-14T19-46-33.225068.parquet
- 路径：
- 分片：latest
- 路径：
**/details_harness|drop|3_2023-10-14T19-46-33.225068.parquet
- 路径：
- 分片：2023_10_14T19_46_33.225068
- harness_gsm8k_5
- 分片：2023_10_14T19_46_33.225068
- 路径：
**/details_harness|gsm8k|5_2023-10-14T19-46-33.225068.parquet
- 路径：
- 分片：latest
- 路径：
**/details_harness|gsm8k|5_2023-10-14T19-46-33.225068.parquet
- 路径：
- 分片：2023_10_14T19_46_33.225068
- harness_hellaswag_10
- 分片：2023_08_26T04_20_17.128606
- 路径：
**/details_harness|hellaswag|10_2023-08-26T04:20:17.128606.parquet
- 路径：
- 分片：latest
- 路径：
**/details_harness|hellaswag|10_2023-08-26T04:20:17.128606.parquet
- 路径：
- 分片：2023_08_26T04_20_17.128606
- harness_hendrycksTest_5
- 分片：2023_08_26T04_20_17.128606
- 路径：
**/details_harness|hendrycksTest-abstract_algebra|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-anatomy|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-astronomy|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-business_ethics|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-clinical_knowledge|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-college_biology|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-college_chemistry|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-college_computer_science|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-college_mathematics|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-college_medicine|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-college_physics|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-computer_security|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-conceptual_physics|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-econometrics|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-electrical_engineering|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-elementary_mathematics|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-formal_logic|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-global_facts|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-high_school_biology|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-high_school_chemistry|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-high_school_computer_science|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-high_school_european_history|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-high_school_geography|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-high_school_government_and_politics|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-high_school_macroeconomics|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-high_school_mathematics|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-high_school_microeconomics|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-high_school_physics|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-high_school_psychology|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-high_school_statistics|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-high_school_us_history|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-high_school_world_history|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-human_aging|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-human_sexuality|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-international_law|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-jurisprudence|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-logical_fallacies|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-machine_learning|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-management|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-marketing|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-medical_genetics|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-miscellaneous|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-moral_disputes|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-moral_scenarios|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-nutrition|5_2023-08-26T04:20:17.128606.parquet - 路径：
**/details_harness|hendrycksTest-philosophy|5_2023-08-26T04:20:17.128606.parquet - 路径：`**/details
- 路径：
- 分片：2023_08_26T04_20_17.128606
搜集汇总
数据集介绍
构建方式
该数据集是在Open LLM Leaderboard上对codellama/CodeLlama-7b-hf模型进行自动化评估过程中生成的。数据集包含64个配置，每个配置对应一个评估任务，如ARC挑战、DROP、GSM8K、HellaSwag和HendrycksTest等。数据来源于两次独立的评估运行，每次运行的结果以时间戳命名的分割形式存储，其中'train'分割始终指向最新结果。此外，还设有'results'配置，用于存储所有运行的聚合指标，这些指标被用于在排行榜上计算和展示模型的整体性能。数据集以Parquet格式存储，便于高效读取和处理。
使用方法
用户可通过Hugging Face的datasets库便捷加载该数据集。例如，使用load_dataset函数指定数据集名称和任务配置（如'harness_winogrande_5'），并选择'split'参数为'train'以获取最新结果。若需访问特定历史运行，可将分割名称替换为对应的时间戳。数据集支持直接解析为Python字典或DataFrame格式，便于后续分析与可视化。此外，用户可通过'results'配置快速获取聚合指标，用于模型对比报告或排行榜排名验证。
背景与挑战
背景概述
在大型语言模型（LLM）领域，评估模型在多样化任务上的泛化能力已成为推动技术发展的关键环节。由Hugging Face团队主导的Open LLM Leaderboard项目，自2023年起为社区提供了一个标准化、透明化的模型性能比较平台。该数据集专门记录了CodeLlama-7b-hf模型的评估细节，该模型由Meta AI的Code Llama团队于2023年发布，专注于代码生成与理解任务。核心研究问题在于如何通过多维度基准测试（涵盖推理、常识问答、数学计算及代码生成等64项任务）系统性地衡量模型在零样本或少样本场景下的表现。这一评估框架不仅揭示了CodeLlama-7b-hf在Winogrande等常识推理任务上约64%的准确率，更通过公开的逐项得分与统计误差，为后续模型优化提供了可复现的参考基线，深刻影响了开源LLM社区的评估范式。
当前挑战
该数据集所面对的挑战主要体现在两个层面。领域层面，LLM评估长期受困于任务单一化与指标碎片化问题，传统基准如GLUE难以覆盖代码理解、数学推理等新兴需求，而Open LLM Leaderboard通过整合ARC、HellaSwag、GSM8K等异构任务，尝试构建统一的性能度量体系，但如何平衡不同任务的难度权重与评价维度仍存争议。构建过程中，数据集的自动化生成机制面临时间戳分裂导致的版本管理难题——同一模型在不同运行轮次（如2023年8月与10月的两次评估）产生的结果需通过独立配置与分割标签加以区分，这对数据追溯与一致性校验提出了严苛要求。此外，大规模多任务评估的计算成本与结果的标准差控制（如DROP任务F1值仅0.051）也凸显了在有限资源下保证评估统计显著性的技术瓶颈。
常用场景
经典使用场景
在大型语言模型（LLM）评估领域，该数据集作为Open LLM Leaderboard的自动化评测记录，核心用途是存储CodeLlama-7b-hf模型在64个多样化任务上的细粒度性能指标。研究者可通过加载特定配置（如harness_gsm8k_5）和分片（如latest），获取模型在数学推理、常识问答、阅读理解等基准上的精确分数与标准误差，从而横向对比不同模型的泛化能力。这一标准化流程使得模型能力的量化分析变得系统化与可复现。
解决学术问题
该数据集解决了LLM评测中结果碎片化与不可复现的学术痛点。通过统一存储ARC-Challenge、HellaSwag、MMLU等经典基准的逐项得分，它使研究者能够精准定位模型在特定领域（如抽象代数、医学遗传学）的薄弱环节。其意义在于构建了透明、可追溯的评估基准，推动了对模型推理鲁棒性、知识广度的深层理解，并为后续模型优化提供了实证依据。
实际应用
在实际应用中，该数据集主要用于自动化模型性能监控与版本迭代。开发者可定期对CodeLlama系列模型运行评测流水线，将新生成的结果与历史记录（如2023年10月的运行）对比，快速识别因微调或量化导致的性能退化。此外，企业可基于这些细粒度指标筛选适合特定业务场景（如代码生成或教育问答）的模型版本，降低部署前的评估成本。
数据集最近研究
最新研究方向
在代码生成与自然语言推理的交汇前沿，CodeLlama-7B模型的评估数据集为大型语言模型在代码理解与数学推理任务上的能力刻画提供了关键基准。该数据集依托Open LLM Leaderboard这一社区驱动的评测平台，聚焦于模型在WinoGrande常识推理、GSM8K数学问题求解以及DROP阅读理解等多样化任务上的表现。最新评测结果显示，CodeLlama-7B在WinoGrande上达到64.0%的准确率，而在GSM8K上仅为5.16%，凸显了代码模型在符号推理与常识理解之间的显著差距。这一发现与当前业界对代码大模型泛化能力的关注紧密相连——如何弥合代码生成与自然语言推理之间的鸿沟，已成为推动AI从专用工具迈向通用智能的核心挑战。该数据集的持续迭代，为追踪模型演进、揭示能力短板、引导未来研究方向提供了不可替代的实证基础。
以上内容由遇见数据集搜集并总结生成
