open-llm-leaderboard-old/details_monology__mixtral-ties

该数据集是在Open LLM Leaderboard上对模型monology/mixtral-ties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

该数据集是在对模型 monology/mixtral-ties 进行评估运行期间自动创建的，评估结果展示在 Open LLM Leaderboard 上。

数据集组成

• 数据集包含 63 个配置，每个配置对应一个评估任务。
• 数据集由 1 次运行创建，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。
• 一个额外的配置 "results" 存储所有运行的聚合结果，用于计算和显示在 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_monology__mixtral-ties", "harness_winogrande_5", split="train")

最新结果

以下是 2024-03-27T22:00:41.193159 运行的最新结果：

python { "all": { "acc": 0.24096151554256068, "acc_stderr": 0.030171423774982338, "acc_norm": 0.24123947823388714, "acc_norm_stderr": 0.0309682406055465, "mc1": 0.2521419828641371, "mc1_stderr": 0.015201522246299948, "mc2": 0.48747359689931496, "mc2_stderr": 0.016514107933782655 }, "harness|arc:challenge|25": { "acc": 0.22525597269624573, "acc_stderr": 0.012207839995407324, "acc_norm": 0.2645051194539249, "acc_norm_stderr": 0.012889272949313368 }, "harness|hellaswag|10": { "acc": 0.2552280422226648, "acc_stderr": 0.004350982826580603, "acc_norm": 0.2619000199163513, "acc_norm_stderr": 0.004387699525854885 }, "harness|hendrycksTest-abstract_algebra|5": { "acc": 0.22, "acc_stderr": 0.0416333199893227, "acc_norm": 0.22, "acc_norm_stderr": 0.0416333199893227 }, "harness|hendrycksTest-anatomy|5": { "acc": 0.24444444444444444, "acc_stderr": 0.03712537833614866, "acc_norm": 0.24444444444444444, "acc_norm_stderr": 0.03712537833614866 }, "harness|hendrycksTest-astronomy|5": { "acc": 0.17763157894736842, "acc_stderr": 0.031103182383123398, "acc_norm": 0.17763157894736842, "acc_norm_stderr": 0.031103182383123398 }, "harness|hendrycksTest-business_ethics|5": { "acc": 0.26, "acc_stderr": 0.04408440022768079, "acc_norm": 0.26, "acc_norm_stderr": 0.04408440022768079 }, "harness|hendrycksTest-clinical_knowledge|5": { "acc": 0.2679245283018868, "acc_stderr": 0.027257260322494845, "acc_norm": 0.2679245283018868, "acc_norm_stderr": 0.027257260322494845 }, "harness|hendrycksTest-college_biology|5": { "acc": 0.2222222222222222, "acc_stderr": 0.03476590104304134, "acc_norm": 0.2222222222222222, "acc_norm_stderr": 0.03476590104304134 }, "harness|hendrycksTest-college_chemistry|5": { "acc": 0.21, "acc_stderr": 0.04093601807403326, "acc_norm": 0.21, "acc_norm_stderr": 0.04093601807403326 }, "harness|hendrycksTest-college_computer_science|5": { "acc": 0.15, "acc_stderr": 0.03588702812826372, "acc_norm": 0.15, "acc_norm_stderr": 0.03588702812826372 }, "harness|hendrycksTest-college_mathematics|5": { "acc": 0.25, "acc_stderr": 0.04351941398892446, "acc_norm": 0.25, "acc_norm_stderr": 0.04351941398892446 }, "harness|hendrycksTest-college_medicine|5": { "acc": 0.18497109826589594, "acc_stderr": 0.02960562398177122, "acc_norm": 0.18497109826589594, "acc_norm_stderr": 0.02960562398177122 }, "harness|hendrycksTest-college_physics|5": { "acc": 0.19607843137254902, "acc_stderr": 0.03950581861179961, "acc_norm": 0.19607843137254902, "acc_norm_stderr": 0.03950581861179961 }, "harness|hendrycksTest-computer_security|5": { "acc": 0.24, "acc_stderr": 0.042923469599092816, "acc_norm": 0.24, "acc_norm_stderr": 0.042923469599092816 }, "harness|hendrycksTest-conceptual_physics|5": { "acc": 0.32340425531914896, "acc_stderr": 0.030579442773610334, "acc_norm": 0.32340425531914896, "acc_norm_stderr": 0.030579442773610334 }, "harness|hendrycksTest-econometrics|5": { "acc": 0.24561403508771928, "acc_stderr": 0.0404933929774814, "acc_norm": 0.24561403508771928, "acc_norm_stderr": 0.0404933929774814 }, "harness|hendrycksTest-electrical_engineering|5": { "acc": 0.2206896551724138, "acc_stderr": 0.03455930201924811, "acc_norm": 0.2206896551724138, "acc_norm_stderr": 0.03455930201924811 }, "harness|hendrycksTest-elementary_mathematics|5": { "acc": 0.25396825396825395, "acc_stderr": 0.022418042891113942, "acc_norm": 0.25396825396825395, "acc_norm_stderr": 0.022418042891113942 }, "harness|hendrycksTest-formal_logic|5": { "acc": 0.1984126984126984, "acc_stderr": 0.03567016675276864, "acc_norm": 0.1984126984126984, "acc_norm_stderr": 0.03567016675276864 }, "harness|hendrycksTest-global_facts|5": { "acc": 0.31, "acc_stderr": 0.04648231987117316, "acc_norm": 0.31, "acc_norm_stderr": 0.04648231987117316 }, "harness|hendrycksTest-high_school_biology|5": { "acc": 0.19032258064516128, "acc_stderr": 0.022331707611823078, "acc_norm": 0.19032258064516128, "acc_norm_stderr": 0.022331707611823078 }, "harness|hendrycksTest-high_school_chemistry|5": { "acc": 0.15270935960591134, "acc_stderr": 0.02530890453938063, "acc_norm": 0.15270935960591134, "acc_norm_stderr": 0.02530890453938063 }, "harness|hendrycksTest-high_school_computer_science|5": { "acc": 0.23, "acc_stderr": 0.04229525846816505, "acc_norm": 0.23, "acc_norm_stderr": 0.04229525846816505 }, "harness|hendrycksTest-high_school_european_history|5": { "acc": 0.21818181818181817, "acc_stderr": 0.03225078108306289, "acc_norm": 0.21818181818181817, "acc_norm_stderr": 0.03225078108306289 }, "harness|hendrycksTest-high_school_geography|5": { "acc": 0.21717171717171718, "acc_stderr": 0.029376616484945637, "acc_norm": 0.21717171717171718, "acc_norm_stderr": 0.029376616484945637 }, "harness|hendrycksTest-high_school_government_and_politics|5": { "acc": 0.19170984455958548, "acc_stderr": 0.028408953626245292, "acc_norm": 0.19170984455958548, "acc_norm_stderr": 0.028408953626245292 }, "harness|hendrycksTest-high_school_macroeconomics|5": { "acc": 0.2282051282051282, "acc_stderr": 0.021278393863586282, "acc_norm": 0.2282051282051282, "acc_norm_stderr": 0.021278393863586282 }, "harness|hendrycksTest-high_school_mathematics|5": { "acc": 0.2518518518518518, "acc_stderr": 0.026466117538959912, "acc_norm": 0.2518518518518518,

搜集汇总

数据集介绍

构建方式

在大型语言模型评测领域，对模型进行系统化、标准化的性能评估至关重要。该数据集是围绕模型 monology/mixtral-ties 在 Open LLM Leaderboard 上的评测过程自动构建而成。其构建方式基于一次完整的评测运行，将本次运行产生的数据按照所评估的63个不同任务，分别对应为63个独立配置（configuration）。每个配置内，以运行时间戳作为分割（split）名称，用以区分不同次运行的结果，而统一的“train”分割则始终指向最新一次的评测数据。此外，专门设立了一个名为“results”的配置，用于汇总并存储本次运行所有任务的聚合指标，这些聚合结果正是 Leaderboard 上展示与计算综合得分的依据。数据集文件以 parquet 格式存储，每个任务对应的详细评测数据均被独立归档。

特点

该数据集最显著的特征在于其精细化的任务组织架构与动态更新的数据管理机制。它覆盖了从常识推理（如 ARC-challenge、HellaSwag）到数学计算（GSM8K）、从多领域知识问答（MMLU 涵盖的57个学科）到语言理解（Winogrande）等丰富多样的评测任务，为模型能力的多维度剖析提供了坚实基础。每个任务配置独立存在，便于研究者按需聚焦于特定能力维度的分析。尤为巧妙的是，数据集通过“latest”分割自动追踪最新评测结果，结合以时间戳命名的历史分割，既保留了评测的完整历史轨迹，又确保了当前数据的时效性。这种设计使得研究者能够轻松回溯模型性能的演变，或对比不同时间点的表现差异。

使用方法

研究者可通过 HuggingFace 的 datasets 库便捷地调用该数据集。具体而言，使用 load_dataset 函数时，需指定数据集名称与目标任务的配置名称（例如 harness_winogrande_5），并通过 split 参数选择所需的数据分割。若需获取最新评测结果，可将 split 设为“train”；若需回溯历史数据，则可直接使用对应的时间戳字符串作为分割标识。对于需要综合分析模型整体表现的场景，可通过加载“results”配置来获取所有任务的聚合指标。此外，数据集支持按任务灵活筛选，例如单独加载 MMLU 中所有子任务的配置（harness_hendrycksTest_5），即可获得涵盖57个学科的知识评测详情。这种模块化的使用方式极大提升了研究的灵活性与效率。

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、公正地评估模型在多样化任务上的表现成为领域核心关切。Open LLM Leaderboard由HuggingFace团队于2023年发起，旨在为社区提供一个标准化、透明化的模型评测平台，覆盖推理、常识、数学、医学、法律等数十个知识维度。该数据集记录了模型monology/mixtral-ties在2024年3月27日的一次完整评估运行，包含63个任务配置，如ARC挑战赛、HellaSwag、GSM8K及HendrycksTest系列等，展示了模型在广泛学科上的细粒度性能。这一数据集不仅为研究者提供了可复现的模型能力参考，更推动了LLM评测范式的规范化与开放性，成为衡量模型进步的重要基准。

当前挑战

该数据集所面临的挑战主要体现在两个层面。在领域问题层面，模型在GSM8K数学推理任务上得分为零，暴露出当前LLM在复杂符号推理与多步计算中的显著局限；同时，在解剖学、大学计算机科学等专业领域准确率低于25%，揭示出模型对细粒度专业知识的理解深度严重不足。在构建过程中，数据集需整合来自不同评测框架（如LM Evaluation Harness）的异构任务格式，确保63个配置的parquet文件与时间戳分片的一致性，并维护最新结果与历史运行轨迹的兼容性，这对数据管道的一致性与可扩展性构成了工程挑战。

常用场景

经典使用场景

在大型语言模型评估领域，该数据集作为Open LLM Leaderboard的评估运行记录，承载了对monology/mixtral-ties模型在63个细分任务上的精细评测数据。研究者可借此深入剖析模型在ARC挑战、HellaSwag常识推理、GSM8K数学推理及涵盖57个学科的MMLU基准测试中的表现，为模型能力画像提供量化依据。

衍生相关工作

该数据集衍生出多项标杆性工作，包括Open LLM Leaderboard的持续基准更新机制，以及基于此数据进行的模型融合方法研究。monology/mixtral-ties作为TIES-Merging技术的代表案例，其评估数据被后续工作用于分析模型合并策略对知识完整性的影响，推动了稀疏混合专家模型评估范式的演进。

数据集最近研究

最新研究方向

在大型语言模型评估领域，Open LLM Leaderboard已成为衡量模型综合能力的权威基准。针对monology/mixtral-ties模型的评估数据集，其研究前沿聚焦于模型在多任务场景下的泛化性能与鲁棒性分析。该数据集涵盖了从常识推理（如ARC、HellaSwag）到专业学科知识（如医学、法律、数学）的63项评测任务，尤其关注Mixture-of-Experts架构在参数高效融合（TIES）方法下的表现。当前热点事件包括对MoE模型稀疏激活特性的深入探究，以及如何通过任务间性能差异揭示模型知识盲区。这一评估体系的意义在于为开源社区提供标准化、可复现的模型比较框架，推动大语言模型在真实世界应用中的透明度与可信度提升。