open-llm-leaderboard-old/details_AA051610__A11P

该数据集是在Open LLM Leaderboard上对模型AA051610/A11P进行评估运行期间自动创建的。数据集由63个配置组成，每个配置对应一个评估任务。数据集是从1次运行中创建的，每次运行作为每个配置中的一个特定拆分，train拆分始终指向最新结果。一个额外的配置results存储了运行的所有聚合结果，用于计算和显示Open LLM Leaderboard上的聚合指标。README还提供了一个使用Python中的datasets库加载运行细节的示例。

原始信息汇总

数据集概述

数据集来源

该数据集是在模型 AA051610/A11P 在 Open LLM Leaderboard 上的评估运行期间自动创建的。

数据集结构

• 配置数量：63个配置，每个配置对应一个评估任务。
• 数据来源：数据集来自1次运行，每个运行结果作为一个特定的分割存储在每个配置中，分割名称使用运行的时间戳。
• 最新结果："train" 分割始终指向最新的结果。
• 结果汇总：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_AA051610__A11P", "harness_winogrande_5", split="train")

最新结果

以下是 2023-12-11T02:59:53.573351 运行的最新结果：

python { "all": { "acc": 0.7024107525999363, "acc_stderr": 0.030362293861859797, "acc_norm": 0.7062972608094896, "acc_norm_stderr": 0.030951825247607496, "mc1": 0.41370869033047736, "mc1_stderr": 0.0172408618120998, "mc2": 0.5644074616941972, "mc2_stderr": 0.015397066221595713 }, "harness|arc:challenge|25": { "acc": 0.6040955631399317, "acc_stderr": 0.014291228393536587, "acc_norm": 0.6254266211604096, "acc_norm_stderr": 0.014144193471893449 }, "harness|hellaswag|10": { "acc": 0.6191993626767576, "acc_stderr": 0.004845912857338663, "acc_norm": 0.8253335988846843, "acc_norm_stderr": 0.003789055487003176 }, "harness|hendrycksTest-abstract_algebra|5": { "acc": 0.33, "acc_stderr": 0.04725815626252606, "acc_norm": 0.33, "acc_norm_stderr": 0.04725815626252606 }, # 其他任务的结果... }

配置详情

• harness_arc_challenge_25

  • 分割：2023_12_11T02_59_53.573351, latest
  • 路径：**/details_harness|arc:challenge|25_2023-12-11T02-59-53.573351.parquet

• harness_gsm8k_5

  • 分割：2023_12_11T02_59_53.573351, latest
  • 路径：**/details_harness|gsm8k|5_2023-12-11T02-59-53.573351.parquet

• harness_hellaswag_10

  • 分割：2023_12_11T02_59_53.573351, latest
  • 路径：**/details_harness|hellaswag|10_2023-12-11T02-59-53.573351.parquet

• harness_hendrycksTest_5

  • 分割：2023_12_11T02_59_53.573351, latest
  • 路径：多个路径，包括不同任务的详细结果文件

以上是根据提供的README文件内容，提炼出的数据集关键信息概述。