open-llm-leaderboard-old/details_bigcode__starcoder2-3b

该数据集是在模型 bigcode/starcoder2-3b 在 Open LLM Leaderboard 上的评估运行期间自动创建的。数据集由 63 个配置组成，每个配置对应一个被评估的任务。它包含一次运行的结果，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。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 还提供了如何使用 Python 中的 datasets 库加载数据集的示例，并包含了特定运行的最新结果。

原始信息汇总

数据集概述

数据集摘要

该数据集是在对模型 bigcode/starcoder2-3b 进行评估运行期间自动创建的，用于 Open LLM Leaderboard。

数据集组成

• 该数据集包含 63 个配置，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。
• 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 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_bigcode__starcoder2-3b", "harness_winogrande_5", split="train")

最新结果

以下是 2024-04-02T20:35:05.231245 运行的最新结果：

python { "all": { "acc": 0.38461948986228506, "acc_stderr": 0.034446036095792894, "acc_norm": 0.3873129877490902, "acc_norm_stderr": 0.03519964377942068, "mc1": 0.23133414932680538, "mc1_stderr": 0.014761945174862677, "mc2": 0.40486982374224917, "mc2_stderr": 0.014446194947322915 }, "harness|arc:challenge|25": { "acc": 0.31143344709897613, "acc_stderr": 0.013532472099850949, "acc_norm": 0.3455631399317406, "acc_norm_stderr": 0.01389693846114568 }, "harness|hellaswag|10": { "acc": 0.37890858394742083, "acc_stderr": 0.004841238763529369, "acc_norm": 0.4761999601672974, "acc_norm_stderr": 0.00498412536331906 }, "harness|hendrycksTest-abstract_algebra|5": { "acc": 0.27, "acc_stderr": 0.044619604333847415, "acc_norm": 0.27, "acc_norm_stderr": 0.044619604333847415 }, "harness|hendrycksTest-anatomy|5": { "acc": 0.3925925925925926, "acc_stderr": 0.04218506215368879, "acc_norm": 0.3925925925925926, "acc_norm_stderr": 0.04218506215368879 }, "harness|hendrycksTest-astronomy|5": { "acc": 0.40131578947368424, "acc_stderr": 0.039889037033362836, "acc_norm": 0.40131578947368424, "acc_norm_stderr": 0.039889037033362836 }, "harness|hendrycksTest-business_ethics|5": { "acc": 0.37, "acc_stderr": 0.04852365870939098, "acc_norm": 0.37, "acc_norm_stderr": 0.04852365870939098 }, "harness|hendrycksTest-clinical_knowledge|5": { "acc": 0.3584905660377358, "acc_stderr": 0.029514703583981762, "acc_norm": 0.3584905660377358, "acc_norm_stderr": 0.029514703583981762 }, "harness|hendrycksTest-college_biology|5": { "acc": 0.3680555555555556, "acc_stderr": 0.04032999053960718, "acc_norm": 0.3680555555555556, "acc_norm_stderr": 0.04032999053960718 }, "harness|hendrycksTest-college_chemistry|5": { "acc": 0.35, "acc_stderr": 0.047937248544110196, "acc_norm": 0.35, "acc_norm_stderr": 0.047937248544110196 }, "harness|hendrycksTest-college_computer_science|5": { "acc": 0.44, "acc_stderr": 0.04988876515698589, "acc_norm": 0.44, "acc_norm_stderr": 0.04988876515698589 }, "harness|hendrycksTest-college_mathematics|5": { "acc": 0.38, "acc_stderr": 0.048783173121456316, "acc_norm": 0.38, "acc_norm_stderr": 0.048783173121456316 }, "harness|hendrycksTest-college_medicine|5": { "acc": 0.3352601156069364, "acc_stderr": 0.035995863012470784, "acc_norm": 0.3352601156069364, "acc_norm_stderr": 0.035995863012470784 }, "harness|hendrycksTest-college_physics|5": { "acc": 0.3137254901960784, "acc_stderr": 0.04617034827006718, "acc_norm": 0.3137254901960784, "acc_norm_stderr": 0.04617034827006718 }, "harness|hendrycksTest-computer_security|5": { "acc": 0.62, "acc_stderr": 0.048783173121456316, "acc_norm": 0.62, "acc_norm_stderr": 0.048783173121456316 }, "harness|hendrycksTest-conceptual_physics|5": { "acc": 0.3829787234042553, "acc_stderr": 0.03177821250236922, "acc_norm": 0.3829787234042553, "acc_norm_stderr": 0.03177821250236922 }, "harness|hendrycksTest-econometrics|5": { "acc": 0.2807017543859649, "acc_stderr": 0.042270544512322004, "acc_norm": 0.2807017543859649, "acc_norm_stderr": 0.042270544512322004 }, "harness|hendrycksTest-electrical_engineering|5": { "acc": 0.4896551724137931, "acc_stderr": 0.041657747757287644, "acc_norm": 0.4896551724137931, "acc_norm_stderr": 0.041657747757287644 }, "harness|hendrycksTest-elementary_mathematics|5": { "acc": 0.32275132275132273, "acc_stderr": 0.024078943243597016, "acc_norm": 0.32275132275132273, "acc_norm_stderr": 0.024078943243597016 }, "harness|hendrycksTest-formal_logic|5": { "acc": 0.3253968253968254, "acc_stderr": 0.041905964388711366, "acc_norm": 0.3253968253968254, "acc_norm_stderr": 0.041905964388711366 }, "harness|hendrycksTest-global_facts|5": { "acc": 0.28, "acc_stderr": 0.045126085985421276, "acc_norm": 0.28, "acc_norm_stderr": 0.045126085985421276 }, "harness|hendrycksTest-high_school_biology|5": { "acc": 0.4032258064516129, "acc_stderr": 0.02790615082604114, "acc_norm": 0.4032258064516129, "acc_norm_stderr": 0.02790615082604114 }, "harness|hendrycksTest-high_school_chemistry|5": { "acc": 0.33004926108374383, "acc_stderr": 0.033085304262282574, "acc_norm": 0.33004926108374383, "acc_norm_stderr": 0.033085304262282574 }, "harness|hendrycksTest-high_school_computer_science|5": { "acc": 0.53, "acc_stderr": 0.05016135580465919, "acc_norm": 0.53, "acc_norm_stderr": 0.05016135580465919 }, "harness|hendrycksTest-high_school_european_history|5": { "acc": 0.38181818181818183, "acc_stderr": 0.037937131711656344, "acc_norm": 0.38181818181818183, "acc_norm_stderr": 0.037937131711656344 }, "harness|hendrycksTest-high_school_geography|5": { "acc": 0.5252525252525253, "acc_stderr": 0.035578062450873145, "acc_norm": 0.5252525252525253, "acc_norm_stderr": 0.035578062450873145 }, "harness|hendrycksTest-high_school_government_and_politics|5": { "acc": 0.37823834196891193, "acc_stderr": 0.03499807276193338, "acc_norm": 0.37823834196891193, "acc_norm_stderr": 0.03499807276193338 }, "harness|hendrycksTest-high_school_macroeconomics|5": { "acc": 0.33589743589743587, "acc_stderr": 0.023946724741563973, "acc_norm": 0.33589743589743587, "acc_norm_stderr": 0.023946724741563973 }, "harness|hendrycksTest-high_school_mathematics|5": { "acc": 0.3037037037037037, "acc_stderr": 0.028037929969114982, "acc_norm": 0.30370370

搜集汇总

数据集介绍

构建方式

在大型语言模型评估领域，对模型性能进行系统化、标准化的评测是推动技术进步的关键环节。该数据集专为记录和追踪模型bigcode/starcoder2-3b在Open LLM Leaderboard上的评估结果而构建。其构建方式基于自动化的评估流程，将模型在63个不同评测任务上的原始得分与详细指标进行结构化存储。每个任务对应一个独立的配置项，而每次完整的评估运行则被记录为该配置下的一个独立数据分割，分割命名采用运行时间戳，确保了每一次评测历史的可追溯性。所有任务的聚合结果则被汇总至一个名为“results”的专用配置中，用于在排行榜上计算并展示综合性能指标。

使用方法

研究人员和开发者可通过HuggingFace的datasets库便捷地访问该数据集。加载特定任务的评测细节时，需指定对应的配置名称和分割标识。例如，使用load_dataset函数并传入数据集名称、配置名（如"harness_winogrande_5"）以及分割名（"train"或具体时间戳）即可获取相应数据。这种模块化的设计使得用户能够灵活地针对单一任务进行深入分析，或通过遍历所有配置来获取模型在完整评测套件上的全景式性能画像。数据以Parquet格式存储，兼顾了高效的读取速度与良好的兼容性。

背景与挑战

背景概述

随着大语言模型（LLM）领域的迅猛发展，如何系统化、标准化地评估模型性能成为学界与工业界共同关注的焦点。Open LLM Leaderboard由Hugging Face团队于2023年发起，旨在为开源LLM提供一个透明、可复现的评测平台。该数据集围绕bigcode/starcoder2-3b模型，由Clementine等人于2024年4月创建，记录了该模型在63个评测任务上的详细表现，涵盖常识推理、数学推理、知识问答等核心维度。作为评测基准的重要组成部分，该数据集不仅为研究者提供了模型能力的精细画像，更推动了LLM评估方法的规范化进程，对后续模型优化与对比研究产生了深远影响。

当前挑战

该数据集所解决的领域挑战在于，LLM性能评估长期面临评测标准不一、结果难以复现的困境，亟需一个统一、多维的评估框架来客观衡量模型在推理、知识掌握及生成真实性等方面的能力。在构建过程中，主要挑战包括：1）如何设计涵盖广泛能力维度的63个配置项，确保评测的全面性与代表性；2）如何通过自动化流程将每次运行的评测结果标准化为可解析的Parquet格式，并维护多版本结果的时间戳与最新结果指向；3）如何有效管理大规模评测数据（如HendrycksTest等57个子任务）的存储与加载效率，同时保证数据的一致性与可追溯性。

常用场景

经典使用场景

在大规模语言模型评估领域，该数据集专为记录与复现模型在Open LLM Leaderboard上的评测结果而设计。其核心应用在于提供bigcode/starcoder2-3b模型在63项任务上的细粒度性能数据，涵盖ARC挑战集、HellaSwag、GSM8K、MMLU多学科知识及TruthfulQA等经典基准。研究者可通过加载特定任务配置（如harness_winogrande_5）与时间戳分割，精准回溯模型在常识推理、数学求解、知识理解等维度的表现，从而支持模型能力的横向对比与纵向追踪。

解决学术问题

该数据集有效回应了开源语言模型评测中结果可复现性与透明性不足的学术困境。通过结构化存储每次评估的原始得分与统计误差，它使得研究者能够精确验证模型在特定任务上的能力边界，例如starcoder2-3b在MMLU抽象代数任务上27%的准确率与GSM8K数学推理中19.6%的求解能力。这种细粒度记录机制为分析模型在不同认知领域（如医学、法律、哲学）的优劣势提供了量化基础，推动了评测标准化的进程。

实际应用

在实际应用中，该数据集为模型选型与迭代优化提供了关键决策依据。开发者可依据starcoder2-3b在Winogrande常识推理（54.5%准确率）与HellaSwag情境预测（47.6%归一化准确率）等任务上的表现，评估其在自然语言理解场景中的适用性。同时，MMLU涵盖的57个学科细项数据（如市场营销61.5%、计算机安全62%）能够指导模型在垂直领域（如教育辅导、安全咨询）的定制化微调方向，降低部署前的试错成本。

数据集最近研究

最新研究方向

在当前大语言模型（LLM）能力评估的浪潮中，Open LLM Leaderboard 已成为衡量模型综合性能的核心标杆。围绕 StarCoder2-3B 这一专为代码生成优化的模型，该数据集记录了其在 63 项任务上的细致评测结果，覆盖从常识推理（如 HellaSwag、ARC-Challenge）到多领域知识（如 MMLU 涵盖的 57 个学科）以及数学推理（GSM8K）等前沿方向。值得注意的是，StarCoder2-3B 在代码相关任务上表现出色，但在需要深度常识与数学推理的任务中仍显不足，这揭示了当前代码模型在泛化智能上的瓶颈。该数据集的出现不仅为研究社区提供了可复现的基准，更推动了针对代码 LLM 的专项优化与跨领域迁移学习的研究热点，对构建更通用、更鲁棒的编程智能体具有深远意义。