open-llm-leaderboard/details_Undi95__ReMM-v2.2-L2-13B

该数据集是在模型Undi95/ReMM-v2.2-L2-13B的评估运行过程中自动创建的，用于Open LLM Leaderboard的评估。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，还有一个名为results的配置存储了所有运行的聚合结果，并用于计算和显示Open LLM Leaderboard上的聚合指标。

This dataset was automatically created during the evaluation runs of the model Undi95/ReMM-v2.2-L2-13B, and is intended for use in evaluations on the Open LLM Leaderboard. The dataset consists of 64 configurations, each of which corresponds to a single evaluation task. It is generated from two separate runs, where the results of each run constitute a split within its respective configuration, with the split names being the timestamps of the corresponding runs. The train split always references the most recent results. Furthermore, there is a configuration titled "results" that stores the aggregated results from all runs, and is used to calculate and display the aggregate metrics shown on the Open LLM Leaderboard.

原始信息汇总

数据集概述

数据集简介

该数据集是在评估模型 Undi95/ReMM-v2.2-L2-13B 在 Open LLM Leaderboard 上的自动创建的。数据集包含 64 个配置，每个配置对应一个评估任务。

数据集结构

数据集由 2 次运行创建，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。

额外配置

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_Undi95__ReMM-v2.2-L2-13B", "harness_winogrande_5", split="train")

最新结果

以下是 2023-10-23T13:54:57.235808 运行的最新结果： python { "all": { "em": 0.037751677852348994, "em_stderr": 0.0019518721243716466, "f1": 0.10559354026845587, "f1_stderr": 0.00235422441511938, "acc": 0.4481872912020479, "acc_stderr": 0.010817015780168433 }, "harness|drop|3": { "em": 0.037751677852348994, "em_stderr": 0.0019518721243716466, "f1": 0.10559354026845587, "f1_stderr": 0.00235422441511938 }, "harness|gsm8k|5": { "acc": 0.14025777103866566, "acc_stderr": 0.009565108281428673 }, "harness|winogrande|5": { "acc": 0.7561168113654302, "acc_stderr": 0.012068923278908192 } }

配置详情

配置列表

• harness_arc_challenge_25
• harness_drop_3
• harness_gsm8k_5
• harness_hellaswag_10
• harness_hendrycksTest_5
• harness_hendrycksTest_abstract_algebra_5
• harness_hendrycksTest_anatomy_5
• harness_hendrycksTest_astronomy_5
• harness_hendrycksTest_business_ethics_5
• harness_hendrycksTest_clinical_knowledge_5
• harness_hendrycksTest_college_biology_5
• harness_hendrycksTest_college_chemistry_5
• harness_hendrycksTest_college_computer_science_5
• harness_hendrycksTest_college_mathematics_5
• harness_hendrycksTest_college_medicine_5
• harness_hendrycksTest_college_physics_5
• harness_hendrycksTest_computer_security_5
• harness_hendrycksTest_conceptual_physics_5
• harness_hendrycksTest_econometrics_5
• harness_hendrycksTest_electrical_engineering_5
• harness_hendrycksTest_elementary_mathematics_5

数据文件路径

每个配置包含不同的时间戳分割和最新的分割路径。例如：

• harness_arc_challenge_25 配置包含 2023_10_03T16_45_21.105610 和 latest 分割路径。
• harness_drop_3 配置包含 2023_10_23T13_54_57.235808 和 latest 分割路径。

总结

该数据集用于评估模型在不同任务上的性能，包含多个配置和分割，每个配置对应一个特定的评估任务。数据集的最新结果和详细配置信息可用于进一步分析和应用。