open-llm-leaderboard-old/details_cloudyu__mistral_28B_instruct_v0.1

该数据集是在模型[cloudyu/mistral_28B_instruct_v0.1](https://huggingface.co/cloudyu/mistral_28B_instruct_v0.1)的评估运行过程中自动创建的，评估运行在[Open LLM Leaderboard](https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard)上进行。数据集由63个配置组成，每个配置对应一个评估任务。数据集是从1次运行中创建的，每次运行都可以在特定配置中找到，分割名称使用运行的时间戳。train分割始终指向最新结果。此外，results配置存储了所有运行的聚合结果，并用于计算和显示在Open LLM Leaderboard上的聚合指标。

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 cloudyu/mistral_28B_instruct_v0.1 进行评估运行期间自动创建的。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，每次运行的详细信息可以在每个配置中找到，使用运行的时间戳作为分割名称。"train" 分割始终指向最新的结果。此外，还有一个名为 "results" 的配置，存储所有运行的聚合结果，用于计算和显示在 Open LLM Leaderboard 上的聚合指标。

最新结果

以下是 2024-03-05T07:24:18.194696 运行的最新结果：

python { "all": { "acc": 0.6048165720098292, "acc_stderr": 0.03318918937904906, "acc_norm": 0.6103008292910913, "acc_norm_stderr": 0.03386256440684409, "mc1": 0.44920440636474906, "mc1_stderr": 0.01741294198611531, "mc2": 0.6416534233937677, "mc2_stderr": 0.015338593594048558 }, "harness|arc:challenge|25": { "acc": 0.53839590443686, "acc_stderr": 0.014568245550296358, "acc_norm": 0.5836177474402731, "acc_norm_stderr": 0.01440561827943618 }, "harness|hellaswag|10": { "acc": 0.6085441147181836, "acc_stderr": 0.004870785036708288, "acc_norm": 0.8053176658036247, "acc_norm_stderr": 0.0039514673865977306 }, "harness|hendrycksTest-abstract_algebra|5": { "acc": 0.31, "acc_stderr": 0.046482319871173156, "acc_norm": 0.31, "acc_norm_stderr": 0.046482319871173156 }, "harness|hendrycksTest-anatomy|5": { "acc": 0.6, "acc_stderr": 0.042320736951515885, "acc_norm": 0.6, "acc_norm_stderr": 0.042320736951515885 }, "harness|hendrycksTest-astronomy|5": { "acc": 0.6381578947368421, "acc_stderr": 0.03910525752849724, "acc_norm": 0.6381578947368421, "acc_norm_stderr": 0.03910525752849724 }, "harness|hendrycksTest-business_ethics|5": { "acc": 0.55, "acc_stderr": 0.049999999999999996, "acc_norm": 0.55, "acc_norm_stderr": 0.049999999999999996 }, "harness|hendrycksTest-clinical_knowledge|5": { "acc": 0.690566037735849, "acc_stderr": 0.028450154794118637, "acc_norm": 0.690566037735849, "acc_norm_stderr": 0.028450154794118637 }, "harness|hendrycksTest-college_biology|5": { "acc": 0.6944444444444444, "acc_stderr": 0.03852084696008534, "acc_norm": 0.6944444444444444, "acc_norm_stderr": 0.03852084696008534 }, "harness|hendrycksTest-college_chemistry|5": { "acc": 0.44, "acc_stderr": 0.049888765156985884, "acc_norm": 0.44, "acc_norm_stderr": 0.049888765156985884 }, "harness|hendrycksTest-college_computer_science|5": { "acc": 0.52, "acc_stderr": 0.050211673156867795, "acc_norm": 0.52, "acc_norm_stderr": 0.050211673156867795 }, "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": 0.5722543352601156, "acc_stderr": 0.03772446857518025, "acc_norm": 0.5722543352601156, "acc_norm_stderr": 0.03772446857518025 }, "harness|hendrycksTest-college_physics|5": { "acc": 0.4117647058823529, "acc_stderr": 0.04897104952726366, "acc_norm": 0.4117647058823529, "acc_norm_stderr": 0.04897104952726366 }, "harness|hendrycksTest-computer_security|5": { "acc": 0.73, "acc_stderr": 0.044619604333847394, "acc_norm": 0.73, "acc_norm_stderr": 0.044619604333847394 }, "harness|hendrycksTest-conceptual_physics|5": { "acc": 0.5063829787234042, "acc_stderr": 0.032683358999363366, "acc_norm": 0.5063829787234042, "acc_norm_stderr": 0.032683358999363366 }, "harness|hendrycksTest-econometrics|5": { "acc": 0.40350877192982454, "acc_stderr": 0.046151869625837026, "acc_norm": 0.40350877192982454, "acc_norm_stderr": 0.046151869625837026 }, "harness|hendrycksTest-electrical_engineering|5": { "acc": 0.5724137931034483, "acc_stderr": 0.041227371113703316, "acc_norm": 0.5724137931034483, "acc_norm_stderr": 0.041227371113703316 }, "harness|hendrycksTest-elementary_mathematics|5": { "acc": 0.3835978835978836, "acc_stderr": 0.025043757318520196, "acc_norm": 0.3835978835978836, "acc_norm_stderr": 0.025043757318520196 }, "harness|hendrycksTest-formal_logic|5": { "acc": 0.4365079365079365, "acc_stderr": 0.04435932892851466, "acc_norm": 0.4365079365079365, "acc_norm_stderr": 0.04435932892851466 }, "harness|hendrycksTest-global_facts|5": { "acc": 0.37, "acc_stderr": 0.048523658709391, "acc_norm": 0.37, "acc_norm_stderr": 0.048523658709391 }, "harness|hendrycksTest-high_school_biology|5": { "acc": 0.6516129032258065, "acc_stderr": 0.027104826328100944, "acc_norm": 0.6516129032258065, "acc_norm_stderr": 0.027104826328100944 }, "harness|hendrycksTest-high_school_chemistry|5": { "acc": 0.5024630541871922, "acc_stderr": 0.03517945038691063, "acc_norm": 0.5024630541871922, "acc_norm_stderr": 0.03517945038691063 }, "harness|hendrycksTest-high_school_computer_science|5": { "acc": 0.64, "acc_stderr": 0.048241815132442176, "acc_norm": 0.64, "acc_norm_stderr": 0.048241815132442176 }, "harness|hendrycksTest-high_school_european_history|5": { "acc": 0.7212121212121212, "acc_stderr": 0.03501438706296781, "acc_norm": 0.7212121212121212, "acc_norm_stderr": 0.03501438706296781 }, "harness|hendrycksTest-high_school_geography|5": { "acc": 0.7525252525252525, "acc_stderr": 0.030746300742124488, "acc_norm": 0.7525252525252525, "acc_norm_stderr": 0.030746300742124488 }, "harness|hendrycksTest-high_school_government_and_politics|5": { "acc": 0.8341968911917098, "acc_stderr": 0.026839845022314415, "acc_norm": 0.8341968911917098, "acc_norm_stderr": 0.026839845022314415 }, "harness|hendrycksTest-high_school_macroeconomics|5": { "acc": 0.5615384615384615, "acc_stderr": 0.02515826601686859, "acc_norm": 0.5615384615384615, "acc_norm_stderr": 0.02515826601686859 }, "harness|hendrycksTest-high_school_mathematics|5": { "acc": 0.28888888888888886, "acc_stderr": 0.027634907264178544, "acc_norm": 0.28888888888888886, "acc_norm_stderr": 0.027634907264178544 }, "harness|hendrycksTest-high_school_microeconomics|5": { "acc": 0.6470588235294118, "acc_stderr": 0.031041941304059288, "acc_norm": 0.6470588235294118, "acc_norm_stderr": 0.0310419413040

搜集汇总

数据集介绍

构建方式

在大型语言模型评测领域，Open LLM Leaderboard 为模型性能的标准化评估提供了重要平台。该数据集专为记录 cloudyu/mistral_28B_instruct_v0.1 模型在 Leaderboard 上的评测结果而构建，由单一评测运行自动生成。数据集包含 63 个配置，每个配置对应一个评测任务，例如 ARC-Challenge、HellaSwag 以及涵盖多学科知识的 MMLU 子任务。每个运行结果以时间戳命名的分割形式存储，其中“train”分割始终指向最新运行的结果。此外，还设有“results”配置，用于聚合所有运行的总体指标，以支持 Leaderboard 上综合得分的计算与展示。

特点

该数据集的核心特点在于其结构化与可追溯性。通过 63 个独立配置，它细粒度地记录了模型在各类基准任务上的表现，包括准确率（acc）及其标准差（acc_stderr），以及归一化准确率（acc_norm）等关键指标。数据版本通过时间戳分割实现精确管理，确保每次评测结果都能被独立追溯。特别地，数据集不仅存储了单个任务的详细结果，还通过“results”配置提供了跨任务的聚合统计，便于研究者快速评估模型的综合能力。这种设计兼顾了微观分析与宏观比较的需求。

使用方法

使用该数据集时，可通过 Hugging Face 的 datasets 库便捷加载。例如，调用 load_dataset 函数并指定配置名称（如“harness_winogrande_5”）和分割（如“train”）即可获取对应任务的评测细节。数据集中的每个配置均包含 Parquet 格式的数据文件，支持高效读取。研究者可根据需要选择特定时间戳的旧版本结果进行对比分析，或利用“latest”分割获取最新数据。此外，通过加载“results”配置，可直接获取模型在全部任务上的聚合性能指标，为模型迭代与基准测试提供量化依据。

背景与挑战

背景概述

随着大语言模型（LLM）在自然语言处理领域的迅猛发展，如何系统化、标准化地评估模型性能成为研究焦点。Open LLM Leaderboard由Hugging Face团队于2023年发起，旨在为社区提供一个公开、透明的模型评测基准。该数据集专为评估cloudyu/mistral_28B_instruct_v0.1模型而创建，记录了2024年3月5日的一次完整评测运行。数据集包含63个配置，覆盖ARC Challenge、HellaSwag、MMLU（涵盖抽象代数、解剖学等57个学科）、TruthfulQA、Winogrande和GSM8K等任务，全面衡量模型在推理、知识、常识和数学方面的能力。这一数据集不仅为模型开发者提供了细粒度的性能反馈，也推动了LLM评测标准的透明化与可复现性，对社区理解模型优劣产生了重要影响。

当前挑战

该数据集所解决的领域问题在于，LLM性能评测长期面临任务单一、指标不统一和结果不可复现等困境。通过整合多样化任务，该数据集揭示了模型在复杂推理（如ARC Challenge准确率53.8%）与数学问题（GSM8K仅38.0%）上的薄弱环节，凸显了当前模型在知识广度与深度之间的平衡难题。构建过程中，挑战在于需为63个配置维护一致的数据格式与评测流程，确保每次运行结果可追溯且易于加载。此外，数据集需自动关联模型仓库与排行榜，处理不同任务的时间戳，并保证最新结果始终在'train'分割中可用，这对数据管道设计的鲁棒性和可扩展性提出了较高要求。

常用场景

经典使用场景

在自然语言处理与大规模语言模型的评估领域，Open LLM Leaderboard上的评测数据集是衡量模型泛化能力与鲁棒性的关键工具。该数据集专为评估cloudyu/mistral_28B_instruct_v0.1模型而设计，涵盖了63个不同配置的评测任务，包括ARC挑战、HellaSwag、GSM8K、TruthfulQA以及涵盖57个学科的MMLU基准测试。经典的使用场景是通过加载各任务的最新结果，对模型在常识推理、数学解题、知识理解及对抗性问答等方面的表现进行系统性分析，从而揭示模型在多样化学术任务中的优势与短板。

解决学术问题

该数据集的核心价值在于解决了大规模语言模型性能评估中缺乏标准化、细粒度评测基准的学术难题。通过提供统一的评测框架和详尽的细粒度结果，它使研究者能够精准量化模型在推理、知识检索、语义理解等维度的能力。其意义在于推动了对模型局限性的深入理解，例如在数学推理（GSM8K准确率约38%）和形式逻辑等任务上的不足，从而为优化模型架构、训练策略及数据配比提供了实证依据，显著促进了可复现、可比较的模型评测研究。

衍生相关工作

该数据集衍生了一系列极具影响力的研究工作，催生了Open LLM Leaderboard这一社区驱动的基准平台。相关经典工作包括基于其评测结果对模型进行针对性微调（如通过GSM8K低分优化数学推理能力），以及开发新的评估指标（如Calibration误差分析）。此外，数据集的细粒度结构启发了多任务学习与跨任务迁移的研究，例如利用MMLU子任务间的相关性提升模型在低分领域（如大学数学38%）的表现，从而推动了从单一评测到综合能力诊断的范式转变。