open-llm-leaderboard-old/details_llm-agents__tora-code-34b-v1.0

该数据集是在模型llm-agents/tora-code-34b-v1.0在Open LLM Leaderboard上进行评估运行期间自动创建的。数据集由64个配置组成，每个配置对应一个评估任务。数据集从3次运行中创建，每次运行作为一个特定分割，以运行的时间戳命名。train分割始终指向最新结果。额外的results配置存储了运行中的所有聚合结果，用于在Leaderboard上计算和显示聚合指标。数据集包含跨不同任务和配置的各种指标，如准确性、错误率等。

原始信息汇总

数据集概述

数据集是在评估模型 llm-agents/tora-code-34b-v1.0 在 Open LLM Leaderboard 上的运行过程中自动创建的。

数据集组成

• 数据集由64个配置组成，每个配置对应一个评估任务。
• 数据集从3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 "results" 配置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_llm-agents__tora-code-34b-v1.0", "harness_winogrande_5", split="train")

最新结果

以下是 2024-01-04T21:49:30.893930 运行的最新结果：

python { "all": { "acc": 0.46739279777981946, "acc_stderr": 0.034410091993572804, "acc_norm": 0.4720435067546776, "acc_norm_stderr": 0.03515712357620925, "mc1": 0.26193390452876375, "mc1_stderr": 0.015392118805015034, "mc2": 0.39617813653906875, "mc2_stderr": 0.01499031262059852 }, "harness|arc:challenge|25": { "acc": 0.47440273037542663, "acc_stderr": 0.014592230885298962, "acc_norm": 0.5025597269624573, "acc_norm_stderr": 0.014611199329843784 }, "harness|hellaswag|10": { "acc": 0.5683130850428202, "acc_stderr": 0.0049429906231311166, "acc_norm": 0.754829715196176, "acc_norm_stderr": 0.004293089342105424 }, "harness|hendrycksTest-abstract_algebra|5": { "acc": 0.27, "acc_stderr": 0.0446196043338474, "acc_norm": 0.27, "acc_norm_stderr": 0.0446196043338474 }, "harness|hendrycksTest-anatomy|5": { "acc": 0.3851851851851852, "acc_stderr": 0.042039210401562783, "acc_norm": 0.3851851851851852, "acc_norm_stderr": 0.042039210401562783 }, "harness|hendrycksTest-astronomy|5": { "acc": 0.46710526315789475, "acc_stderr": 0.040601270352363966, "acc_norm": 0.46710526315789475, "acc_norm_stderr": 0.040601270352363966 }, "harness|hendrycksTest-business_ethics|5": { "acc": 0.51, "acc_stderr": 0.05024183937956911, "acc_norm": 0.51, "acc_norm_stderr": 0.05024183937956911 }, "harness|hendrycksTest-clinical_knowledge|5": { "acc": 0.4867924528301887, "acc_stderr": 0.030762134874500482, "acc_norm": 0.4867924528301887, "acc_norm_stderr": 0.030762134874500482 }, "harness|hendrycksTest-college_biology|5": { "acc": 0.4583333333333333, "acc_stderr": 0.04166666666666665, "acc_norm": 0.4583333333333333, "acc_norm_stderr": 0.04166666666666665 }, "harness|hendrycksTest-college_chemistry|5": { "acc": 0.27, "acc_stderr": 0.044619604333847394, "acc_norm": 0.27, "acc_norm_stderr": 0.044619604333847394 }, "harness|hendrycksTest-college_computer_science|5": { "acc": 0.42, "acc_stderr": 0.049604496374885836, "acc_norm": 0.42, "acc_norm_stderr": 0.049604496374885836 }, "harness|hendrycksTest-college_mathematics|5": { "acc": 0.3, "acc_stderr": 0.046056618647183814, "acc_norm": 0.3, "acc_norm_stderr": 0.046056618647183814 }, "harness|hendrycksTest-college_medicine|5": { "acc": 0.4046242774566474, "acc_stderr": 0.03742461193887248, "acc_norm": 0.4046242774566474, "acc_norm_stderr": 0.03742461193887248 }, "harness|hendrycksTest-college_physics|5": { "acc": 0.2647058823529412, "acc_stderr": 0.04389869956808778, "acc_norm": 0.2647058823529412, "acc_norm_stderr": 0.04389869956808778 }, "harness|hendrycksTest-computer_security|5": { "acc": 0.69, "acc_stderr": 0.046482319871173156, "acc_norm": 0.69, "acc_norm_stderr": 0.046482319871173156 }, "harness|hendrycksTest-conceptual_physics|5": { "acc": 0.3872340425531915, "acc_stderr": 0.03184389265339525, "acc_norm": 0.3872340425531915, "acc_norm_stderr": 0.03184389265339525 }, "harness|hendrycksTest-econometrics|5": { "acc": 0.35964912280701755, "acc_stderr": 0.04514496132873633, "acc_norm": 0.35964912280701755, "acc_norm_stderr": 0.04514496132873633 }, "harness|hendrycksTest-electrical_engineering|5": { "acc": 0.46206896551724136, "acc_stderr": 0.041546596717075474, "acc_norm": 0.46206896551724136, "acc_norm_stderr": 0.041546596717075474 }, "harness|hendrycksTest-elementary_mathematics|5": { "acc": 0.3333333333333333, "acc_stderr": 0.024278568024307706, "acc_norm": 0.3333333333333333, "acc_norm_stderr": 0.024278568024307706 }, "harness|hendrycksTest-formal_logic|5": { "acc": 0.31746031746031744, "acc_stderr": 0.04163453031302859, "acc_norm": 0.31746031746031744, "acc_norm_stderr": 0.04163453031302859 }, "harness|hendrycksTest-global_facts|5": { "acc": 0.26, "acc_stderr": 0.0440844002276808, "acc_norm": 0.26, "acc_norm_stderr": 0.0440844002276808 }, "harness|hendrycksTest-high_school_biology|5": { "acc": 0.5, "acc_stderr": 0.028444006199428714, "acc_norm": 0.5, "acc_norm_stderr": 0.028444006199428714 }, "harness|hendrycksTest-high_school_chemistry|5": { "acc": 0.35467980295566504, "acc_stderr": 0.03366124489051448, "acc_norm": 0.35467980295566504, "acc_norm_stderr": 0.03366124489051448 }, "harness|hendrycksTest-high_school_computer_science|5": { "acc": 0.6, "acc_stderr": 0.04923659639173309, "acc_norm": 0.6, "acc_norm_stderr": 0.04923659639173309 }, "harness|hendrycksTest-high_school_european_history|5": { "acc": 0.5757575757575758, "acc_stderr": 0.03859268142070264, "acc_norm": 0.5757575757575758, "acc_norm_stderr": 0.03859268142070264 }, "harness|hendrycksTest-high_school_geography|5": { "acc": 0.5707070707070707, "acc_stderr": 0.03526552724601199, "acc_norm": 0.5707070707070707, "acc_norm_stderr": 0.03526552724601199 }, "harness|hendrycksTest-high_school_government_and_politics|5": { "acc": 0.616580310880829, "acc_stderr": 0.03508984236295342, "acc_norm": 0.616580310880829, "acc_norm_stderr": 0.03508984236295342 }, "harness|hendrycksTest-high_school_macroeconomics|5": { "acc": 0.37435897435897436, "acc_stderr": 0.024537591572830513, "acc_norm": 0.37435897435897436, "acc_norm_stderr": 0.024537591572830513 }, "harness|hendrycksTest-high_school_mathematics|5": { "acc": 0.32222222222222224, "acc_stderr": 0.0284934650910286, "acc_norm": 0.32222222222222224, "acc_norm_stderr": 0.028493

搜集汇总

数据集介绍

构建方式

在大规模语言模型评测领域，Open LLM Leaderboard 作为权威基准平台，系统性地追踪各类模型的性能表现。该数据集专为记录 llm-agents/tora-code-34b-v1.0 模型的评估过程而自动生成，其构建逻辑围绕多次评测运行展开。具体而言，数据集包含 64 个独立配置，每个配置对应一项待评测任务，并由三次独立运行的评测结果组成。每一次运行均以时间戳为标识，作为特定配置下的独立分割存在，而 'train' 分割则始终指向最新一次运行的结果。此外，数据集还设有一个名为 'results' 的额外配置，用于存储所有运行的综合聚合指标，为排行榜上各项度量的计算与展示提供数据基础。

特点

该数据集最显著的特征在于其结构化的时间序列与任务覆盖广度。通过将每次评测运行的结果按时间戳分割存储，数据集不仅保留了模型性能演进的动态轨迹，还支持对历史运行与最新结果进行对比分析。其配置设计覆盖了从常识推理（如 ARC-Challenge、HellaSwag）到数学求解（如 GSM8K）、从多领域知识问答（如 MMLU 子集）到对抗性测试（如 TruthfulQA）等多元任务，共计 64 项，充分体现了评测体系的全面性。同时，每个配置下均包含详细的准确率及其标准差等统计指标，为研究者提供了细粒度的性能剖析。

使用方法

研究人员可通过 HuggingFace 的 datasets 库便捷地加载该数据集。例如，使用 'load_dataset("open-llm-leaderboard/details_llm-agents__tora-code-34b-v1.0", "harness_winogrande_5", split="train")' 即可获取 Winogrande 任务的最新评测详情。用户可根据需求指定不同的配置名称（如 'harness_arc_challenge_25'）和时间戳分割（如 '2024_01_04T21_49_30.893930'），以访问特定任务或特定运行的结果。此外，'results' 配置提供了所有任务聚合后的整体性能数据，便于进行宏观性能评估。加载后的数据可直接用于模型能力分析、消融实验或排行榜复现等下游研究场景。

背景与挑战

背景概述

随着大规模语言模型（LLMs）在自然语言处理领域的迅猛发展，如何系统性地评估其综合能力成为学界与工业界共同关注的核心议题。Open LLM Leaderboard由HuggingFace团队于2023年发起，旨在构建一个标准化、透明化的开源大模型评测平台，以解决不同模型间性能难以横向对比的困境。该数据集记录了llm-agents/tora-code-34b-v1.0模型在Leaderboard上的详细评估结果，涵盖ARC挑战赛、HellaSwag、GSM8K、MMLU及TruthfulQA等多项基准测试，涉及常识推理、数学解题、知识问答与事实一致性等维度。作为代码增强型模型，tora-code-34b-v1.0在推理与知识类任务上展现出特定表现，其评测数据为理解当前开源LLMs的能力边界与局限性提供了宝贵参考，推动了模型评估方法的标准化进程。

当前挑战

当前数据集所反映的核心挑战在于多维度评估体系的构建与模型能力的精准刻画。领域层面，现有基准测试如MMLU虽覆盖57个学科，但模型在抽象代数、大学数学等高阶推理任务上准确率普遍低于35%，暴露出LLMs在专业逻辑推理与符号计算方面的显著短板。构建过程中，数据集的自动化生成机制面临评估任务配置的异构性难题——64个配置对应不同采样策略与评价指标，且多次运行结果需通过时间戳分片对齐，确保版本追溯的可靠性。此外，不同任务间的结果差异（如GSM8K数学题准确率仅19.8%，而HellaSwag常识推理达75.5%）揭示了模型能力分布的不均衡性，这对评估指标的归一化设计与跨任务泛化能力分析提出了严峻考验。

常用场景

经典使用场景

该数据集专为评估大型语言模型（LLM）在多样化任务上的综合性能而设计，其经典使用场景集中于对模型进行标准化、可复现的基准测试。通过整合ARC-Challenge、HellaSwag、MMLU、TruthfulQA、Winogrande及GSM8K等涵盖常识推理、知识理解、数学求解与语言歧义消解等维度的评测任务，研究者能够系统性地衡量模型在零样本或少样本条件下的泛化能力与鲁棒性。

实际应用

在实际应用中，该数据集可作为模型选型与部署决策的参考依据。开发团队可依据数据集提供的细粒度评测结果（如模型在数学推理GSM8K上的准确率19.79%，或在常识推理HellaSwag上的归一化准确率75.48%），结合具体业务需求（如教育辅导、知识问答系统），筛选出最适合特定场景的模型版本。此外，数据集的时间戳分片机制支持对模型版本迭代效果的持续监控。

衍生相关工作

该数据集衍生了多项经典工作，最突出的是Open LLM Leaderboard评测体系的构建与完善。基于此数据集，研究者开发了自动化的模型评估流水线，并催生了关于评测指标（如acc_norm与mc2）有效性的讨论。后续工作包括针对特定任务（如数学推理、事实一致性）的深度分析，以及基于评测结果对模型进行知识蒸馏、指令微调等优化策略的探索，推动了开源LLM社区的性能提升与标准化进程。