open-llm-leaderboard/details_gpt2-xl

该数据集是在Open LLM Leaderboard上对gpt2-xl模型进行评估时自动创建的。数据集由63个配置组成，每个配置对应一个评估任务。数据集由3次运行生成，每次运行在每个配置中表示为特定的分割，分割名称使用运行的时间戳。train分割始终指向最新的结果。此外，还有一个results配置存储了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。README文件还提供了如何使用Hugging Face datasets库加载数据集的示例，并提供了特定运行的最新结果。

This dataset was automatically created during the evaluation of the gpt2-xl model on the Open LLM Leaderboard. The dataset consists of 63 configurations, each corresponding to one evaluation task. It is generated from three runs, where each run is represented as a specific split under each configuration, with the split name being 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 of all runs, which are used to calculate and display the aggregate metrics on the Open LLM Leaderboard. The README file also provides examples of how to load the dataset using the Hugging Face Datasets library, as well as the most recent results for specific runs.

原始信息汇总

数据集概述

数据集名称

Evaluation run of gpt2-xl

数据集摘要

该数据集是在对模型 gpt2-xl 进行评估运行期间自动创建的，用于 Open LLM Leaderboard。

数据集组成

数据集由 63 个配置组成，每个配置对应一个评估任务。

数据集创建

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。

额外配置

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_gpt2-xl", "harness_winogrande_5", split="train")

最新结果

这些是最新结果（来自 2023-12-16T14:28:59.235900 运行）的示例： python { "all": { "acc": 0.26849437510168506, "acc_stderr": 0.031366498421091876, "acc_norm": 0.2702003428835176, "acc_norm_stderr": 0.03215444575128815, "mc1": 0.22031823745410037, "mc1_stderr": 0.0145090451714873, "mc2": 0.38536763571053717, "mc2_stderr": 0.014057464412774041 }, "harness|arc:challenge|25": { "acc": 0.2593856655290102, "acc_stderr": 0.012808273573927104, "acc_norm": 0.302901023890785, "acc_norm_stderr": 0.013428241573185347 }, "harness|hellaswag|10": { "acc": 0.3981278629755029, "acc_stderr": 0.004885116465550274, "acc_norm": 0.5136427006572396, "acc_norm_stderr": 0.004987923636628551 }, "harness|hendrycksTest-abstract_algebra|5": { "acc": 0.26, "acc_stderr": 0.04408440022768081, "acc_norm": 0.26, "acc_norm_stderr": 0.04408440022768081 }, "harness|hendrycksTest-anatomy|5": { "acc": 0.2074074074074074, "acc_stderr": 0.03502553170678318, "acc_norm": 0.2074074074074074, "acc_norm_stderr": 0.03502553170678318 }, "harness|hendrycksTest-astronomy|5": { "acc": 0.18421052631578946, "acc_stderr": 0.0315469804508223, "acc_norm": 0.18421052631578946, "acc_norm_stderr": 0.0315469804508223 }, "harness|hendrycksTest-business_ethics|5": { "acc": 0.28, "acc_stderr": 0.04512608598542128, "acc_norm": 0.28, "acc_norm_stderr": 0.04512608598542128 }, "harness|hendrycksTest-clinical_knowledge|5": { "acc": 0.29056603773584905, "acc_stderr": 0.027943219989337145, "acc_norm": 0.29056603773584905, "acc_norm_stderr": 0.027943219989337145 }, "harness|hendrycksTest-college_biology|5": { "acc": 0.2847222222222222, "acc_stderr": 0.03773809990686935, "acc_norm": 0.2847222222222222, "acc_norm_stderr": 0.03773809990686935 }, "harness|hendrycksTest-college_chemistry|5": { "acc": 0.24, "acc_stderr": 0.04292346959909284, "acc_norm": 0.24, "acc_norm_stderr": 0.04292346959909284 }, "harness|hendrycksTest-college_computer_science|5": { "acc": 0.3, "acc_stderr": 0.046056618647183814, "acc_norm": 0.3, "acc_norm_stderr": 0.046056618647183814 }, "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": 0.30057803468208094, "acc_stderr": 0.03496101481191181, "acc_norm": 0.30057803468208094, "acc_norm_stderr": 0.03496101481191181 }, "harness|hendrycksTest-college_physics|5": { "acc": 0.19607843137254902, "acc_stderr": 0.03950581861179962, "acc_norm": 0.19607843137254902, "acc_norm_stderr": 0.03950581861179962 }, "harness|hendrycksTest-computer_security|5": { "acc": 0.29, "acc_stderr": 0.04560480215720684, "acc_norm": 0.29, "acc_norm_stderr": 0.04560480215720684 }, "harness|hendrycksTest-conceptual_physics|5": { "acc": 0.2978723404255319, "acc_stderr": 0.029896145682095455, "acc_norm": 0.2978723404255319, "acc_norm_stderr": 0.029896145682095455 }, "harness|hendrycksTest-econometrics|5": { "acc": 0.23684210526315788, "acc_stderr": 0.039994238792813344, "acc_norm": 0.23684210526315788, "acc_norm_stderr": 0.039994238792813344 }, "harness|hendrycksTest-electrical_engineering|5": { "acc": 0.2689655172413793, "acc_stderr": 0.03695183311650232, "acc_norm": 0.2689655172413793, "acc_norm_stderr": 0.03695183311650232 }, "harness|hendrycksTest-elementary_mathematics|5": { "acc": 0.23809523809523808, "acc_stderr": 0.021935878081184756, "acc_norm": 0.23809523809523808, "acc_norm_stderr": 0.021935878081184756 }, "harness|hendrycksTest-formal_logic|5": { "acc": 0.3412698412698413, "acc_stderr": 0.04240799327574925, "acc_norm": 0.3412698412698413, "acc_norm_stderr": 0.04240799327574925 }, "harness|hendrycksTest-global_facts|5": { "acc": 0.25, "acc_stderr": 0.04351941398892446, "acc_norm": 0.25, "acc_norm_stderr": 0.04351941398892446 }, "harness|hendrycksTest-high_school_biology|5": { "acc": 0.24838709677419354, "acc_stderr": 0.024580028921481003, "acc_norm": 0.24838709677419354, "acc_norm_stderr": 0.024580028921481003 }, "harness|hendrycksTest-high_school_chemistry|5": { "acc": 0.21674876847290642, "acc_stderr": 0.028990331252516235, "acc_norm": 0.21674876847290642, "acc_norm_stderr": 0.028990331252516235 }, "harness|hendrycksTest-high_school_computer_science|5": { "acc": 0.3, "acc_stderr": 0.04605661864718381, "acc_norm": 0.3, "acc_norm_stderr": 0.04605661864718381 }, "harness|hendrycksTest-high_school_european_history|5": { "acc": 0.3090909090909091, "acc_stderr": 0.036085410115739666, "acc_norm": 0.3090909090909091, "acc_norm_stderr": 0.036085410115739666 }, "harness|hendrycksTest-high_school_geography|5": { "acc": 0.2777777777777778, "acc_stderr": 0.03191178226713548, "acc_norm": 0.2777777777777778, "acc_norm_stderr": 0.03191178226713548 }, "harness|hendrycksTest-high_school_government_and_politics|5": { "acc": 0.21243523316062177, "acc_stderr": 0.029519282616817258, "acc_norm": 0.21243523316062177, "acc_norm_stderr": 0.029519282616817258 }, "harness|hendrycksTest-high_school_macroeconomics|5": { "acc": 0.34102564102564104, "acc_stderr": 0.02403548967633507, "acc_norm": 0.34102564102564104, "acc_norm_stderr": 0.02403548967633507 }, "harness|hendrycksTest-high_school_mathematics|5": { "acc": 0.2518518518518518, "acc_stderr": 0.02646611753895991, "acc_norm": 0.2518518518518518, "acc_norm_stderr": 0.02646611753895991 }, "harness|hendrycksTest-high_school_microeconomics|5": { "acc": 0.2310

搜集汇总

数据集介绍

构建方式

在大规模语言模型评估的蓬勃发展中，Open LLM Leaderboard 作为基准平台，为模型性能提供了标准化度量。该数据集正是在此背景下，针对 gpt2-xl 模型在 Leaderboard 上的评估过程自动生成。其构建方式别具匠心：数据集由 63 个配置构成，每个配置精确对应一项被评估的任务，涵盖从常识推理到数学求解的广泛领域。评估执行了 3 次独立运行，每次运行的结果被存储为特定配置下的独立数据分割，并以运行时间戳作为分割标识。为便于获取最新成果，'train' 分割始终指向最近一次运行的结果。此外，一个名为 'results' 的额外配置专门汇总了所有运行的聚合指标，用于在 Leaderboard 上计算和展示综合性能。

使用方法

使用该数据集进行模型分析极为便捷。用户可通过 Hugging Face 的 datasets 库直接加载所需配置，例如 `load_dataset("open-llm-leaderboard/details_gpt2-xl", "harness_winogrande_5", split="train")` 即可获取 Winogrande 任务的最新评估细节。加载后的数据以表格形式呈现，每一行对应一个测试样本的模型输出和标签，便于进行自定义的错误分析或性能统计。对于需要全局视角的研究，加载 'results' 配置可获取所有任务的平均指标，从而快速评估模型在不同领域的优劣。此外，通过指定具体的时间戳分割（如 '2023_12_16T14_28_59.235900'），用户可以精确复现某次评估的完整数据，为学术研究中的可重复性提供了坚实保障。

背景与挑战

背景概述

随着大语言模型（LLM）的蓬勃发展，如何系统、公正地评估其性能成为学界与工业界共同关注的焦点。Open LLM Leaderboard由HuggingFace团队于2023年发起，旨在构建一个标准化、透明化的模型评测平台，以应对模型能力日益复杂化带来的评估挑战。该数据集是针对GPT-2 XL模型在Leaderboard上运行评估时自动生成的副产品，记录了其在63个不同任务配置下的详细表现，涵盖ARC挑战、HellaSwag、GSM8K、MMLU等多个基准测试。通过多次运行（如2023年9月与12月）的纵向数据追踪，该数据集为研究模型性能的动态变化提供了宝贵资源，推动了LLM评估从单一指标向多维度、细粒度分析的范式转变。

当前挑战

该数据集所解决的领域问题在于，大语言模型的评估长期受限于任务单一化与指标碎片化，缺乏统一、可复现的基准。构建过程中面临的挑战包括：1）任务配置的多样性（63个配置）导致数据整合与版本管理复杂，需确保每次运行结果的准确对齐；2）多次运行的时间戳与分片管理增加了数据溯源难度，需设计高效的文件命名与拆分策略；3）评估结果中的随机性（如不同采样策略导致的精度波动）需通过多次运行求均值来缓解，但如何在数据集中清晰标注运行元数据以支持统计稳健性分析，仍是技术难点。

常用场景

经典使用场景

在大型语言模型评估领域，open-llm-leaderboard/details_gpt2-xl数据集作为Open LLM Leaderboard的评估运行记录，承载了对gpt2-xl模型在63个多样化任务上性能的精细化度量。该数据集最经典的使用场景在于为研究人员提供一个标准化、可复现的基准测试框架，通过加载各任务配置（如harness_arc_challenge_25或harness_hellaswag_10），可以精确剖析模型在常识推理、知识问答和数学求解等维度的表现。其多时间戳分片设计允许追踪模型性能的演变轨迹，从而支持对模型迭代效果的纵向比较与因果分析。

解决学术问题

该数据集直面大语言模型评估中存在的碎片化与不透明性难题。通过系统化整合ARC-Challenge、HellaSwag、MMLU及GSM8K等权威基准，它解决了传统评估中任务覆盖不全、结果难以横向对比的学术困境。研究社区得以借助其中细粒度的准确率（acc）和标准误（acc_stderr）指标，客观衡量模型在零样本或少样本设置下的泛化能力。这一标准化评估体系不仅揭示了gpt2-xl在数学推理上的显著短板（GSM8K准确率仅1.29%），更推动了模型鲁棒性评估方法论的发展，成为衡量语言模型进展的黄金标尺。

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数据驱动的支撑。企业或开发者可通过比对不同模型在同一任务配置下的得分，筛选出最适合特定业务场景的模型——例如在需要高精度常识推理的场景中，参考HellaSwag的归一化准确率（51.36%）来评估模型适用性。此外，其结构化评估结果可直接嵌入持续集成流水线，实现模型更新后的自动化性能回归测试，显著降低人工评估成本。这种数据驱动的评估范式已广泛应用于AI产品的质量保障与合规性验证环节。

数据集最近研究

最新研究方向

当前，大型语言模型的性能评估已成为自然语言处理领域的核心议题，而Open LLM Leaderboard作为一项公开、透明的评测平台，正推动着该方向的标准化与可重复性研究。针对gpt2-xl这一经典模型，本数据集通过63个涵盖常识推理、数学求解、多学科知识等维度的任务配置，系统性地记录了其在不同时间戳下的评估细节，为模型能力的纵向追踪与横向对比提供了宝贵资源。值得注意的是，该数据集不仅存储了原始评测结果，还整合了聚合指标，使得研究者能够深入分析模型在如ARC挑战、HellaSwag、GSM8K等前沿基准上的表现。这种细粒度的评估框架，对于揭示模型在特定任务上的优势与短板、指导后续优化策略具有重要意义，尤其在大模型能力边界探索和公平比较的热点研究中，为社区贡献了可靠的数据基础。