open-llm-leaderboard-old/details_facebook__opt-2.7b

该数据集是在Open LLM Leaderboard上对模型facebook/opt-2.7b进行评估时自动创建的。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次运行创建，每次运行在每个配置中表示为特定的分割。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，这些结果用于计算和显示Open LLM Leaderboard上的聚合指标。README还提供了一个使用`load_dataset`函数加载运行细节的示例。

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 facebook/opt-2.7b 在 Open LLM Leaderboard 上的运行过程中自动创建的。

数据集组成

• 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_facebook__opt-2.7b", "harness_winogrande_5", split="train")

最新结果

以下是 2023-10-19T03:26:05.209079 运行的最新结果： python { "all": { "em": 0.0010486577181208054, "em_stderr": 0.0003314581465219369, "f1": 0.04767407718120815, "f1_stderr": 0.0011986644527763738, "acc": 0.31092412335527203, "acc_stderr": 0.007478442861762106 }, "harness|drop|3": { "em": 0.0010486577181208054, "em_stderr": 0.0003314581465219369, "f1": 0.04767407718120815, "f1_stderr": 0.0011986644527763738 }, "harness|gsm8k|5": { "acc": 0.002274450341167551, "acc_stderr": 0.0013121578148673927 }, "harness|winogrande|5": { "acc": 0.6195737963693765, "acc_stderr": 0.01364472790865682 } }

配置详情

• harness_arc_challenge_25

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|arc:challenge|25_2023-07-19T16:25:28.050181.parquet

• harness_drop_3

  • 分割：2023_10_19T03_26_05.209079, latest
  • 路径：**/details_harness|drop|3_2023-10-19T03-26-05.209079.parquet

• harness_gsm8k_5

  • 分割：2023_10_19T03_26_05.209079, latest
  • 路径：**/details_harness|gsm8k|5_2023-10-19T03-26-05.209079.parquet

• harness_hellaswag_10

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hellaswag|10_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：多个路径，例如 **/details_harness|hendrycksTest-abstract_algebra|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_abstract_algebra_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-abstract_algebra|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_anatomy_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-anatomy|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_astronomy_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-astronomy|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_business_ethics_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-business_ethics|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_clinical_knowledge_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-clinical_knowledge|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_college_biology_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-college_biology|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_college_chemistry_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-college_chemistry|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_college_computer_science_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-college_computer_science|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_college_mathematics_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-college_mathematics|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_college_medicine_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-college_medicine|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_college_physics_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-college_physics|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_computer_security_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-computer_security|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_conceptual_physics_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-conceptual_physics|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_econometrics_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-econometrics|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_electrical_engineering_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-electrical_engineering|5_2023-07-19T16:25:28.050181.parquet

• harness_hendrycksTest_elementary_mathematics_5

  • 分割：2023_07_19T16_25_28.050181, latest
  • 路径：**/details_harness|hendrycksTest-elementary_mathematics|5_2023-07-19T16:25:28.050181.parquet

搜集汇总

数据集介绍

构建方式

该数据集是Open LLM Leaderboard在评估facebook/opt-2.7b模型时自动生成的产物。其构建过程围绕模型在多个基准任务上的表现展开，涵盖了64个配置项，每个配置对应一个特定的评估任务。数据集由两次独立的评估运行构成，每次运行的结果被存储为对应配置下的独立数据切分，切分命名采用运行时间戳。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，这些指标直接服务于Leaderboard上综合得分的计算与展示。

特点

数据集的结构设计精巧而系统，每个任务配置下均包含多个数据切分，其中“train”切分始终指向最新一次的评估结果，便于用户快速获取最新性能数据。所有数据以Parquet格式存储，兼顾了高效的存储与快速的读取。数据集不仅记录了每个任务上的细粒度指标（如准确率、F1分数等），还通过“results”配置提供了跨任务的宏观汇总，使得对模型整体能力的评估一目了然。这种多层级、多切分的设计赋予了数据集极高的灵活性与可追溯性。

使用方法

用户可通过Hugging Face的datasets库便捷地加载该数据集。具体而言，需调用load_dataset函数，并指定数据集名称、目标任务配置名称（如“harness_winogrande_5”）以及所需的数据切分（如“train”）。例如，执行data = load_dataset("open-llm-leaderboard/details_facebook__opt-2.7b", "harness_winogrande_5", split="train")即可加载Winogrande任务的最新评估细节。这种方式支持用户针对特定任务或运行时间点进行精确的数据检索与分析。

背景与挑战

背景概述

随着大规模语言模型的蓬勃发展，如何公正、全面地评估其性能成为自然语言处理领域的核心议题。在此背景下，Hugging Face社区于2023年推出了Open LLM Leaderboard，旨在为各类开源大模型提供标准化的评测基准。该数据集正是针对Meta公司发布的OPT-2.7B模型在Leaderboard上的评估记录，由Hugging Face团队（主要联系人Clémentine）于2023年7月至10月间创建。其核心研究问题在于通过多维度任务（涵盖ARC推理、DROP阅读理解、GSM8K数学推理、HellaSwag常识推理及MMLU多学科知识等）系统性地量化OPT-2.7B的能力边界，为研究者提供可复现的评估范式。该数据集的出现填补了开源大模型标准化评测的空白，推动了模型性能透明化比较的进程。

当前挑战

该数据集所解决的领域问题在于构建一套可扩展的、覆盖多能力的语言模型评估体系。具体挑战包括：1) 任务异构性带来的评估一致性难题——需要将ARC的推理任务、DROP的精确匹配与F1指标、GSM8K的数学生成等不同输出形式统一为可比较的分数体系；2) 评估结果的可复现性挑战——由于模型推理存在随机性，需通过多次运行（如记录中的两次独立评估）并采用时间戳分割来确保结果的统计稳健性；3) 构建过程中的数据管理挑战——面对64个任务配置和大量评测结果，需要设计高效的Parquet格式存储与按时间戳分片的加载机制，同时维护“results”配置以聚合全量指标，这对数据管道架构提出了较高要求。

常用场景

经典使用场景

在大型语言模型迅猛发展的时代背景下，对模型性能进行系统化、标准化的评估成为学术研究的关键环节。该数据集专为评估facebook/opt-2.7b模型而构建，其经典使用场景在于为模型在多项自然语言理解与推理任务上的表现提供细粒度、可复现的评测基准。通过涵盖ARC挑战、HellaSwag、MMLU、GSM8K、Winogrande等涵盖常识推理、数学解题与阅读理解的任务配置，研究者能够全面洞察模型在不同能力维度上的优劣，从而推动模型优化与迭代。

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评测标准不统一、结果难以复现的核心学术难题。它通过结构化存储模型在多个基准测试上的详细评分与统计误差，为学术界提供了一个透明、可追溯的评估框架。这一举措不仅促进了模型间性能的公平比较，还使得研究者能够深入分析模型在特定任务（如DROP的精确匹配与F1分数、GSM8K的准确率）上的表现，进而揭示模型在推理、常识与知识掌握等方面的潜在缺陷，助力于构建更为鲁棒且智能的语言系统。

衍生相关工作

该数据集作为Open LLM Leaderboard评估体系的一部分，衍生了一系列关于大语言模型评测标准化的重要工作。它启发了后续对评估流程自动化与结果聚合方法的研究，例如如何通过多次运行取平均来提升评估的统计稳健性。此外，该数据集的结构化格式（如parquet文件与时间戳分片）为其他模型评测数据集的构建提供了可借鉴的范式，推动了如helm等更全面的模型评估框架的发展，深化了学术界对模型能力边界与演进趋势的理解。