open-llm-leaderboard-old/details_psmathur__model_007_13b_v2

该数据集是在评估模型psmathur/model_007_13b_v2时自动创建的，包含3个配置，每个配置对应一个评估任务。数据集由1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分割始终指向最新结果。此外，还有一个results配置存储所有运行的聚合结果，并用于计算和显示在Open LLM Leaderboard上的聚合指标。

This dataset was automatically created during the evaluation of the model psmathur/model_007_13b_v2. It contains 3 configurations, each corresponding to one evaluation task. The dataset is generated via a single run, and each run will generate specific data splits for every configuration, with the split names adopting the timestamp of the run. The train split always points to the most recent results. In addition, there is a results configuration that stores the aggregated results from all runs, and is used to calculate and display the aggregated metrics on the Open LLM Leaderboard.

原始信息汇总

数据集卡片 for Evaluation run of psmathur/model_007_13b_v2

数据集描述

数据集概述

该数据集是在模型 psmathur/model_007_13b_v2 的评估运行期间自动创建的，用于 Open LLM Leaderboard。

数据集由3个配置组成，每个配置对应一个评估任务。

数据集从1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。

额外的配置 "results" 存储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）。

加载运行细节的示例如下： python from datasets import load_dataset data = load_dataset("open-llm-leaderboard/details_psmathur__model_007_13b_v2", "harness_winogrande_5", split="train")

最新结果

以下是 2023-10-18T16:51:13.661301 运行的最新结果（注意，如果连续评估未覆盖相同任务，则仓库中可能会有其他任务的结果。您可以在每个评估的 "latest" 分割中找到每个任务的结果）：

python { "all": { "em": 0.36671560402684567, "em_stderr": 0.004935188438972311, "f1": 0.4397388842281892, "f1_stderr": 0.0047230877436521415, "acc": 0.386065655680172, "acc_stderr": 0.007612365428746324 }, "harness|drop|3": { "em": 0.36671560402684567, "em_stderr": 0.004935188438972311, "f1": 0.4397388842281892, "f1_stderr": 0.0047230877436521415 }, "harness|gsm8k|5": { "acc": 0.013646702047005308, "acc_stderr": 0.0031957470754807745 }, "harness|winogrande|5": { "acc": 0.7584846093133386, "acc_stderr": 0.012028983782011874 } }