open-llm-leaderboard-old/details_fionazhang__mistral-experiment-6

该数据集是在模型fionazhang/mistral-experiment-6的评估运行期间自动创建的，用于在Open LLM Leaderboard上进行评估。数据集由63个配置组成，每个配置对应一个评估任务。数据集从1次运行中创建，每次运行可以在每个配置中找到，运行的时间戳作为分割的名称。train分割始终指向最新的结果。此外，results配置存储了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。该数据集是在模型fionazhang/mistral-experiment-6的评估运行期间自动创建的，用于在Open LLM Leaderboard上进行评估。数据集由63个配置组成，每个配置对应一个评估任务。数据集从1次运行中创建，每次运行可以在每个配置中找到，运行的时间戳作为分割的名称。train分割始终指向最新的结果。此外，results配置存储了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。

原始信息汇总

数据集概述

数据集简介

该数据集是在评估模型 fionazhang/mistral-experiment-6 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 63 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，每个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。

数据加载示例

python from datasets import load_dataset data = load_dataset("open-llm-leaderboard/details_fionazhang__mistral-experiment-6", "harness_winogrande_5", split="train")

最新结果

以下是 2024-01-29T00:42:51.247635 运行 的最新结果：

python { "all": { "acc": 0.5538123362399926, "acc_stderr": 0.033998687888343836, "acc_norm": 0.5600824142135805, "acc_norm_stderr": 0.034730108194204, "mc1": 0.29865361077111385, "mc1_stderr": 0.016021570613768542, "mc2": 0.4568589633964796, "mc2_stderr": 0.01480166536535197 }, "harness|arc:challenge|25": { "acc": 0.5273037542662116, "acc_stderr": 0.014589589101985996, "acc_norm": 0.5580204778156996, "acc_norm_stderr": 0.014512682523128345 }, "harness|hellaswag|10": { "acc": 0.6227843059151563, "acc_stderr": 0.0048369903732615694, "acc_norm": 0.814479187412866, "acc_norm_stderr": 0.003879250555254521 }, "harness|hendrycksTest-abstract_algebra|5": { "acc": 0.25, "acc_stderr": 0.04351941398892446, "acc_norm": 0.25, "acc_norm_stderr": 0.04351941398892446 }, "harness|hendrycksTest-anatomy|5": { "acc": 0.42962962962962964, "acc_stderr": 0.04276349494376599, "acc_norm": 0.42962962962962964, "acc_norm_stderr": 0.04276349494376599 }, "harness|hendrycksTest-astronomy|5": { "acc": 0.5921052631578947, "acc_stderr": 0.039993097127774734, "acc_norm": 0.5921052631578947, "acc_norm_stderr": 0.039993097127774734 }, "harness|hendrycksTest-business_ethics|5": { "acc": 0.52, "acc_stderr": 0.050211673156867795, "acc_norm": 0.52, "acc_norm_stderr": 0.050211673156867795 }, "harness|hendrycksTest-clinical_knowledge|5": { "acc": 0.6150943396226415, "acc_stderr": 0.02994649856769995, "acc_norm": 0.6150943396226415, "acc_norm_stderr": 0.02994649856769995 }, "harness|hendrycksTest-college_biology|5": { "acc": 0.5902777777777778, "acc_stderr": 0.04112490974670787, "acc_norm": 0.5902777777777778, "acc_norm_stderr": 0.04112490974670787 }, "harness|hendrycksTest-college_chemistry|5": { "acc": 0.44, "acc_stderr": 0.04988876515698589, "acc_norm": 0.44, "acc_norm_stderr": 0.04988876515698589 }, "harness|hendrycksTest-college_computer_science|5": { "acc": 0.45, "acc_stderr": 0.049999999999999996, "acc_norm": 0.45, "acc_norm_stderr": 0.049999999999999996 }, "harness|hendrycksTest-college_mathematics|5": { "acc": 0.33, "acc_stderr": 0.047258156262526045, "acc_norm": 0.33, "acc_norm_stderr": 0.047258156262526045 }, "harness|hendrycksTest-college_medicine|5": { "acc": 0.5433526011560693, "acc_stderr": 0.03798106566014498, "acc_norm": 0.5433526011560693, "acc_norm_stderr": 0.03798106566014498 }, "harness|hendrycksTest-college_physics|5": { "acc": 0.3333333333333333, "acc_stderr": 0.04690650298201942, "acc_norm": 0.3333333333333333, "acc_norm_stderr": 0.04690650298201942 }, "harness|hendrycksTest-computer_security|5": { "acc": 0.69, "acc_stderr": 0.04648231987117316, "acc_norm": 0.69, "acc_norm_stderr": 0.04648231987117316 }, "harness|hendrycksTest-conceptual_physics|5": { "acc": 0.5191489361702127, "acc_stderr": 0.032662042990646796, "acc_norm": 0.5191489361702127, "acc_norm_stderr": 0.032662042990646796 }, "harness|hendrycksTest-econometrics|5": { "acc": 0.39473684210526316, "acc_stderr": 0.045981880578165414, "acc_norm": 0.39473684210526316, "acc_norm_stderr": 0.045981880578165414 }, "harness|hendrycksTest-electrical_engineering|5": { "acc": 0.4827586206896552, "acc_stderr": 0.04164188720169377, "acc_norm": 0.4827586206896552, "acc_norm_stderr": 0.04164188720169377 }, "harness|hendrycksTest-elementary_mathematics|5": { "acc": 0.4021164021164021, "acc_stderr": 0.025253032554997692, "acc_norm": 0.4021164021164021, "acc_norm_stderr": 0.025253032554997692 }, "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": 0.36, "acc_stderr": 0.04824181513244218, "acc_norm": 0.36, "acc_norm_stderr": 0.04824181513244218 }, "harness|hendrycksTest-high_school_biology|5": { "acc": 0.6935483870967742, "acc_stderr": 0.026226485652553883, "acc_norm": 0.6935483870967742, "acc_norm_stderr": 0.026226485652553883 }, "harness|hendrycksTest-high_school_chemistry|5": { "acc": 0.3842364532019704, "acc_stderr": 0.0342239856565755, "acc_norm": 0.3842364532019704, "acc_norm_stderr": 0.0342239856565755 }, "harness|hendrycksTest-high_school_computer_science|5": { "acc": 0.55, "acc_stderr": 0.05, "acc_norm": 0.55, "acc_norm_stderr": 0.05 }, "harness|hendrycksTest-high_school_european_history|5": { "acc": 0.6121212121212121, "acc_stderr": 0.03804913653971012, "acc_norm": 0.6121212121212121, "acc_norm_stderr": 0.03804913653971012 }, "harness|hendrycksTest-high_school_geography|5": { "acc": 0.7323232323232324, "acc_stderr": 0.03154449888270285, "acc_norm": 0.7323232323232324, "acc_norm_stderr": 0.03154449888270285 }, "harness|hendrycksTest-high_school_government_and_politics|5": { "acc": 0.7875647668393783, "acc_stderr": 0.029519282616817216, "acc_norm": 0.7875647668393783, "acc_norm_stderr": 0.029519282616817216 }, "harness|hendrycksTest-high_school_macroeconomics|5": { "acc": 0.5230769230769231, "acc_stderr": 0.025323990861736232, "acc_norm": 0.5230769230769231, "acc_norm_stderr": 0.025323990861736232 }, "harness|hendrycksTest-high_school_mathematics|5": { "acc": 0.35555555555555557, "acc_stderr": 0.0291857149498574, "acc_norm": 0.35555555555555557, "acc_norm_stderr": 0.0291857149498574 }, "harness|hendrycksTest-

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，该数据集为Open LLM Leaderboard平台对fionazhang/mistral-experiment-6模型进行自动化评估的产物。数据集构建过程依托于HuggingFace的评估框架，通过执行63个评测任务配置，完整记录了模型在各项基准测试中的表现。每个配置对应一个特定评测任务，数据按运行时间戳划分为独立的分片，其中'train'分片始终指向最新评估结果。此外，数据集还包含一个名为'results'的聚合配置，用于存储所有任务的综合指标，便于在Leaderboard上计算和展示模型的整体性能。

特点

该数据集最显著的特征在于其精细化的结构设计，共包含63个独立配置，每个配置分别对应ARC挑战赛、HellaSwag、GSM8K、TruthfulQA以及涵盖57个学科领域的MMLU等多样化评测任务。数据以Parquet格式存储，确保了高效的数据读取与处理能力。每个运行分片均按时间戳命名，便于追踪模型在不同时间点的评估历史。聚合的'results'配置则提供了如准确率及其标准差等关键统计量，为模型能力的横向比较提供了可靠依据。

使用方法

研究者可通过HuggingFace的datasets库便捷地加载该数据集。例如，使用load_dataset函数指定数据集名称和具体配置（如'harness_winogrande_5'），并选择'split'参数为'train'即可获取最新评估结果。若需回溯历史数据，可依据时间戳分片名称加载对应分片。对于需要整体评估指标的场景，可直接加载'results'配置，其中包含了所有任务的聚合度量，便于进行模型的综合性能分析。

背景与挑战

背景概述

随着大规模语言模型（LLMs）的迅猛发展，如何系统性地评估其多维度能力成为自然语言处理领域的重要课题。Open LLM Leaderboard由Hugging Face团队于2023年发起，旨在为开源语言模型提供标准化、透明化的性能基准，其评估体系涵盖推理、常识、数学及专业知识等多样化任务。本研究聚焦于fionazhang/mistral-experiment-6模型在2024年1月29日的评估运行，该数据集记录了模型在63个配置下的详细表现，包括ARC挑战赛、HellaSwag、GSM8K及涵盖57个学科的MMLU基准测试。这些结果揭示了Mistral系列模型在语言理解与推理能力上的进展，为社区提供了可复现的评估基准，推动了开源LLM研究的透明化与可比较性。

当前挑战

该数据集所反映的核心挑战在于多任务评估的复杂性与模型能力的非均衡性。首先，在领域问题层面，模型在GSM8K数学推理任务上仅取得22.2%的准确率，凸显了当前LLM在符号推理与多步计算上的显著短板；而在HellaSwag常识推理任务中，标准化准确率达81.4%，显示出对语境理解的相对优势。其次，构建过程中面临评估一致性挑战：同一模型在不同学科（如高中物理36.4% vs. 市场营销79.1%）间的表现差异巨大，揭示了基准测试覆盖广度与深度之间的平衡难题。此外，时间戳标记的多轮评估结果需通过分割管理，增加了数据版本控制与结果溯源的操作复杂度，对评估框架的鲁棒性提出了更高要求。

常用场景

经典使用场景

在大规模语言模型评测领域，该数据集作为Open LLM Leaderboard的标准化评估记录，承载了模型fionazhang/mistral-experiment-6在63项任务上的细粒度性能数据。研究者可通过加载特定配置如harness_winogrande_5，复现模型在常识推理、知识问答、数学求解等维度的表现，为模型能力对比提供结构化基准。

衍生相关工作

该数据集衍生的工作包括基于其细粒度结果开展的模型鲁棒性分析研究，例如通过Winogrande与HellaSwag的acc_norm指标差异揭示模型对提示词敏感性的规律。此外，其结构化存储方式启发了后续的持续评测框架，如将多轮评估结果合并以追踪模型迭代的进化轨迹。

数据集最近研究

最新研究方向

当前，大规模语言模型（LLM）的评估基准正从单一指标向多维度、细粒度方向演进。该数据集记录了fionazhang/mistral-experiment-6模型在Open LLM Leaderboard上的完整评测轨迹，涵盖ARC-Challenge、HellaSwag、MMLU等63项任务，尤其聚焦于常识推理、数学求解及多学科知识迁移能力。前沿研究热点在于揭示模型在不同难度层级任务上的性能分化，例如在GSM8K数学推理任务中仅取得22.2%的准确率，而在HellaSwag常识推理上达到81.4%的标准化准确率，这种差异深刻反映了当前模型在符号计算与语义理解之间的能力鸿沟。该数据集为社区提供了可复现的评估范式，推动研究者从单一排行榜排名转向对模型认知架构的深度剖析，对构建更鲁棒、更可解释的下一代LLM具有里程碑式的指导意义。