open-llm-leaderboard-old/details_PulsarAI__2x-LoRA-Assemble-Nova-13B

该数据集是在评估模型PulsarAI/2x-LoRA-Assemble-Nova-13B时自动创建的，评估是在Open LLM Leaderboard上进行的。数据集包含64个配置，每个配置对应一个评估任务。数据集由2次运行生成，每次运行的结果作为一个特定的分割存储在配置中，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，用于在Open LLM Leaderboard上计算和显示聚合指标。

原始信息汇总

数据集概述

数据集简介

该数据集是在模型 PulsarAI/2x-LoRA-Assemble-Nova-13B 的评估运行期间自动创建的，用于 Open LLM Leaderboard。

数据集结构

• 配置数量：64个配置，每个配置对应一个评估任务。
• 创建来源：数据集从2次运行中创建，每次运行在每个配置中作为一个特定的分割存在，分割名称使用运行的时间戳。
• 最新结果："train" 分割始终指向最新结果。
• 汇总结果：一个额外的配置 "results" 存储所有运行的汇总结果，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_PulsarAI__2x-LoRA-Assemble-Nova-13B", "harness_winogrande_5", split="train")

最新结果

以下是 2023-10-26T09:15:27.308196 运行 的最新结果： python { "all": { "em": 0.005243288590604027, "em_stderr": 0.0007396052260778, "f1": 0.08796455536912774, "f1_stderr": 0.0018271669211415338, "acc": 0.4359422992113922, "acc_stderr": 0.010092491580522747 }, "harness|drop|3": { "em": 0.005243288590604027, "em_stderr": 0.0007396052260778, "f1": 0.08796455536912774, "f1_stderr": 0.0018271669211415338 }, "harness|gsm8k|5": { "acc": 0.1023502653525398, "acc_stderr": 0.008349110996208824 }, "harness|winogrande|5": { "acc": 0.7695343330702447, "acc_stderr": 0.01183587216483667 } }

配置详情

以下是部分配置及其数据文件路径：

• harness_arc_challenge_25

  • 分割: 2023_10_08T14_51_09.823341
    • 路径: **/details_harness|arc:challenge|25_2023-10-08T14-51-09.823341.parquet
  • 分割: latest
    • 路径: **/details_harness|arc:challenge|25_2023-10-08T14-51-09.823341.parquet

• harness_drop_3

  • 分割: 2023_10_26T09_15_27.308196
    • 路径: **/details_harness|drop|3_2023-10-26T09-15-27.308196.parquet
  • 分割: latest
    • 路径: **/details_harness|drop|3_2023-10-26T09-15-27.308196.parquet

• harness_gsm8k_5

  • 分割: 2023_10_26T09_15_27.308196
    • 路径: **/details_harness|gsm8k|5_2023-10-26T09-15-27.308196.parquet
  • 分割: latest
    • 路径: **/details_harness|gsm8k|5_2023-10-26T09-15-27.308196.parquet

• harness_hellaswag_10

  • 分割: 2023_10_08T14_51_09.823341
    • 路径: **/details_harness|hellaswag|10_2023-10-08T14-51-09.823341.parquet
  • 分割: latest
    • 路径: **/details_harness|hellaswag|10_2023-10-08T14-51-09.823341.parquet

• harness_hendrycksTest_5

  • 分割: 2023_10_08T14_51_09.823341
    • 路径:
      • **/details_harness|hendrycksTest-abstract_algebra|5_2023-10-08T14-51-09.823341.parquet
      • **/details_harness|hendrycksTest-anatomy|5_2023-10-08T14-51-09.823341.parquet
      • ...（其他路径省略）
  • 分割: latest
    • 路径:
      • **/details_harness|hendrycksTest-abstract_algebra|5_2023-10-08T14-51-09.823341.parquet
      • **/details_harness|hendrycksTest-anatomy|5_2023-10-08T14-51-09.823341.parquet
      • ...（其他路径省略）

搜集汇总

数据集介绍

构建方式

该数据集是在Open LLM Leaderboard对PulsarAI/2x-LoRA-Assemble-Nova-13B模型进行评估的过程中自动生成的。数据集由64个配置组成，每个配置对应一个评估任务，涵盖了从ARC挑战、DROP、GSM8K、HellaSwag到HendrycksTest等多个维度的评测。数据来自两次独立的运行，每次运行的结果以时间戳为标识存储在特定的split中，而'train' split始终指向最新一次运行的结果。此外，一个名为'results'的额外配置汇总了所有运行的聚合指标，用于计算和展示排行榜上的综合得分。所有数据以Parquet格式存储，保证了高效的读取和存储性能。

特点

该数据集的一个显著特点在于其结构化的多配置设计，每个配置独立对应一个评估任务，方便研究者按需访问特定任务的细粒度结果。每次运行的结果作为独立的split保存，保留了历史评估数据，便于追踪模型性能的变化趋势。'train' split动态指向最新结果，确保了数据集的时效性。'results'配置提供了聚合指标，如准确率和F1分数及其标准误差，为模型整体表现提供了量化依据。数据集覆盖了从常识推理、数学问题到专业知识等多个领域的评测任务，全面反映了模型在不同场景下的能力。

使用方法

使用该数据集时，可以通过HuggingFace的datasets库加载。例如，要加载特定任务的详细结果，可调用load_dataset函数，指定数据集名称和配置名称（如'harness_winogrande_5'），并通过split参数选择'latest'或具体时间戳的split来获取对应运行的数据。对于聚合指标，可以通过加载'results'配置来获取所有任务的汇总结果。数据以Parquet格式提供，支持高效的列式读取，适合进行后续的统计分析或可视化展示。研究者可以根据需要，灵活选择特定任务或运行的数据进行深入分析。

背景与挑战

背景概述

大语言模型（LLM）的性能评估是自然语言处理领域的一项核心议题，随着模型规模的急剧膨胀与微调技术的日臻成熟，如何系统、公正地衡量模型在多样化任务上的泛化能力成为研究焦点。在此背景下，Hugging Face社区于2023年推出了Open LLM Leaderboard，旨在为开源大语言模型提供一个标准化、透明的评测平台。该数据集记录了PulsarAI团队开发的2x-LoRA-Assemble-Nova-13B模型在排行榜上的评估细节，由Clementine等人于2023年10月创建，涵盖了ARC挑战、DROP、GSM8K、HellaSwag、MMLU及WinoGrande等64个配置项，对应不同评测任务。其核心研究问题在于通过低秩适配（LoRA）组装策略提升13B参数级别模型的推理与常识理解能力，该数据集作为评测结果存档，为后续模型对比与复现提供了关键基准，对推动开源LLM的标准化评估具有重要影响力。

当前挑战

该数据集所解决的领域问题在于，大语言模型在通用知识推理、数学计算与常识理解等任务上仍存在显著短板，例如模型在DROP数据集上的精确匹配率仅0.5%，在GSM8K数学推理任务中准确率仅10.2%，揭示了模型在复杂推理与精确数值计算方面的脆弱性。构建过程中面临的挑战包括：需整合来自多个时间戳（如2023-10-08与2023-10-26）的评测运行结果，并确保每个任务配置（如MMLU的57个子领域）的数据文件路径正确对应，避免Parquet格式文件在版本迭代中的索引错乱；同时，需维护“latest”分裂以指向最新结果，并处理不同运行间任务覆盖范围不一致的问题，确保聚合指标计算的准确性与可复现性。

常用场景

经典使用场景

该数据集作为Open LLM Leaderboard评估流程的副产品，专门用于存储和检索PulsarAI/2x-LoRA-Assemble-Nova-13B模型在多个标准化基准任务上的细粒度评测结果。其经典使用场景在于，研究者可通过加载不同配置（如harness_winogrande_5、harness_gsm8k_5等）对应的split，精准复现模型在常识推理、数学求解、阅读理解等维度的表现，从而深入剖析模型在特定能力上的优劣。数据集结构以任务为纲，每个配置对应单一评测任务，并保留多次运行的时间戳分片，便于进行历时性性能追踪与对比分析。

实际应用

在实际应用中，该数据集为模型选型与部署决策提供了实证支撑。企业或研究团队在挑选适合特定场景（如客服对话、教育辅导、代码生成）的基座模型时，可依据该数据集记录的Winogrande指代消解准确率（76.95%）或GSM8K数学推理精度（10.24%）等指标，评估模型在常识推理与数学计算上的可靠性。此外，数据集的时间戳分片功能支持持续监控模型迭代后的性能漂移，这对于生产环境中模型的维护与更新至关重要，能够有效避免因模型退化导致的业务风险。

衍生相关工作

该数据集衍生了一系列围绕大模型评估标准化与细粒度分析的重要工作。例如，基于其配置结构，研究者开发了自动化评测工具链，能够批量加载多个模型的评测结果并生成雷达图，直观展示模型在不同维度上的能力轮廓。此外，该数据集促进了关于评估任务难度区分度的研究——通过对比同一模型在ARC-challenge与HellaSwag上的表现差异，学者们得以构建更合理的评测基准组合。这些工作共同推动了Open LLM Leaderboard生态的成熟，使其成为衡量大语言模型进展的权威标尺。