open-llm-leaderboard-old/details_Norquinal__llama-2-7b-claude-chat-rp

该数据集是在模型Norquinal/llama-2-7b-claude-chat-rp的评估运行中自动创建的。数据集由64个配置组成，每个配置对应一个评估任务。数据集从2次运行中创建，每次运行可以在每个配置的特定分割中找到，分割以运行的时间戳命名。train分割始终指向最新结果。此外，还有一个名为results的配置，存储了所有运行的聚合结果，并用于计算和显示在Open LLM Leaderboard上的聚合指标。该数据集是在模型Norquinal/llama-2-7b-claude-chat-rp的评估运行中自动创建的。数据集由64个配置组成，每个配置对应一个评估任务。数据集从2次运行中创建，每次运行可以在每个配置的特定分割中找到，分割以运行的时间戳命名。train分割始终指向最新结果。此外，还有一个名为results的配置，存储了所有运行的聚合结果，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

该数据集是在对模型 Norquinal/llama-2-7b-claude-chat-rp 进行评估运行期间自动创建的，用于 Open LLM Leaderboard。

数据集组成

• 数据集包含 64 个配置，每个配置对应一个评估任务。
• 数据集从 2 次运行中创建。每次运行可以在每个配置中作为一个特定的分片找到，分片名称使用运行的时间戳。
• "train" 分片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 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_Norquinal__llama-2-7b-claude-chat-rp", "harness_winogrande_5", split="train")

最新结果

以下是 2023-09-17T21:52:14.967446 运行的最新结果：

python { "all": { "em": 0.001572986577181208, "em_stderr": 0.00040584511324177306, "f1": 0.05937500000000002, "f1_stderr": 0.0013421305212247912, "acc": 0.4101086482368971, "acc_stderr": 0.009683376605280784 }, "harness|drop|3": { "em": 0.001572986577181208, "em_stderr": 0.00040584511324177306, "f1": 0.05937500000000002, "f1_stderr": 0.0013421305212247912 }, "harness|gsm8k|5": { "acc": 0.07278241091736164, "acc_stderr": 0.007155604761167465 }, "harness|winogrande|5": { "acc": 0.7474348855564326, "acc_stderr": 0.012211148449394105 } }

配置详情

• harness_arc_challenge_25

  • 分片: 2023_08_30T02_07_51.565435
  • 路径: **/details_harness|arc:challenge|25_2023-08-30T02:07:51.565435.parquet
  • 分片: latest
  • 路径: **/details_harness|arc:challenge|25_2023-08-30T02:07:51.565435.parquet

• harness_drop_3

  • 分片: 2023_09_17T21_52_14.967446
  • 路径: **/details_harness|drop|3_2023-09-17T21-52-14.967446.parquet
  • 分片: latest
  • 路径: **/details_harness|drop|3_2023-09-17T21-52-14.967446.parquet

• harness_gsm8k_5

  • 分片: 2023_09_17T21_52_14.967446
  • 路径: **/details_harness|gsm8k|5_2023-09-17T21-52-14.967446.parquet
  • 分片: latest
  • 路径: **/details_harness|gsm8k|5_2023-09-17T21-52-14.967446.parquet

• harness_hellaswag_10

  • 分片: 2023_08_30T02_07_51.565435
  • 路径: **/details_harness|hellaswag|10_2023-08-30T02:07:51.565435.parquet
  • 分片: latest
  • 路径: **/details_harness|hellaswag|10_2023-08-30T02:07:51.565435.parquet

• harness_hendrycksTest_5

  • 分片: 2023_08_30T02_07_51.565435
  • 路径:
    • **/details_harness|hendrycksTest-abstract_algebra|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-anatomy|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-astronomy|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-business_ethics|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-clinical_knowledge|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-college_biology|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-college_chemistry|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-college_computer_science|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-college_mathematics|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-college_medicine|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-college_physics|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-computer_security|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-conceptual_physics|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-econometrics|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-electrical_engineering|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-elementary_mathematics|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-formal_logic|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-global_facts|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-high_school_biology|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-high_school_chemistry|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-high_school_computer_science|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-high_school_european_history|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-high_school_geography|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-high_school_government_and_politics|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-high_school_macroeconomics|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-high_school_mathematics|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-high_school_microeconomics|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-high_school_physics|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-high_school_psychology|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-high_school_statistics|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-high_school_us_history|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-high_school_world_history|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-human_aging|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-human_sexuality|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-international_law|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-jurisprudence|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-logical_fallacies|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-machine_learning|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-management|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-marketing|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-medical_genetics|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-miscellaneous|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-moral_disputes|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-moral_scenarios|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-nutrition|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-philosophy|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-prehistory|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-professional_accounting|5_2023-08-30T02:07:51.565435.parquet
    • **/details_harness|hendrycksTest-professional_law|5_

搜集汇总

数据集介绍

构建方式

该数据集源自Open LLM Leaderboard对模型Norquinal/llama-2-7b-claude-chat-rp的自动化评估流程。在自然语言处理领域，模型性能的标准化评测是推动技术演进的关键环节。数据集构建过程中，系统通过两次独立的评估运行，将每次运行的结果以时间戳为标识划分为独立的分片，存储于Parquet格式文件中。每个评估任务对应一个独立的配置项，共计64个配置，覆盖了从常识推理到数学求解的多样化基准测试。所有配置均包含一个指向最新结果的“train”分片，同时额外设立“results”配置，用于汇聚各次运行的聚合指标，为排行榜的实时更新提供数据支撑。

特点

该数据集的核心特色在于其结构化与可追溯性。每个配置均与具体任务绑定，如ARC挑战赛、DROP阅读理解、GSM8K数学推理及HellaSwag情境推断等，确保了评估维度的全面性。分片机制以时间戳命名，使得研究者能够精准回溯任意一次评估的原始细节，从而支持模型性能的纵向对比与复现验证。此外，“results”配置整合了宏观指标，如精确匹配率、F1分数及准确率，并附有标准误差，为模型间的横向比较提供了统计意义上的严谨依据。这种设计兼顾了细粒度分析与全局概览的双重需求。

使用方法

使用该数据集时，推荐通过HuggingFace的datasets库进行加载。用户可根据研究目标选择特定配置，例如加载“harness_winogrande_5”以获取Winogrande任务的评估细节，并通过指定分片参数（如“train”或时间戳字符串）来定位所需版本的数据。对于需要分析聚合结果的情形，可直接访问“results”配置，其中存储了各次运行的汇总指标。此外，数据以Parquet格式存储，支持高效读取，便于与Python生态中的数据分析工具无缝衔接。研究者亦可直接查看仓库中的JSON文件，以快速获取最新评估的概览性结果。

背景与挑战

背景概述

该数据集诞生于大语言模型评估体系蓬勃发展的2023年，由HuggingFace团队的核心成员Clémentine Fourrier主导创建，依托Open LLM Leaderboard这一开放评测平台，旨在系统性地量化Llama-2-7b-Claude-Chat-RP模型在多样化自然语言理解任务中的表现。作为Meta Llama-2系列微调变体的评估记录，该数据集通过整合ARC挑战、HellaSwag、MMLU等数十项基准测试，为研究者提供了跨学科知识推理、常识理解与数学求解能力的多维度观测窗口。其核心研究问题聚焦于对话式角色扮演模型的泛化能力与知识边界，通过标准化评测流程揭示了模型在DROP等复杂推理任务中的性能短板，为后续模型优化提供了关键参照。该数据集的发布不仅推动了开源大模型评估范式的透明化进程，更成为社区衡量指令微调与领域适配效果的重要标尺。

当前挑战

当前面临的核心挑战在于评测任务覆盖广度与深度之间的张力：尽管数据集整合了从基础科学到专业法律等57个学科的子任务，但如DROP阅读理解任务中仅0.16%的精确匹配率所示，模型在复杂推理与信息抽取场景下仍存在显著能力断层。构建过程中，需应对多源基准测试的异构性难题——不同任务采用差异化的评估指标（如EM、F1、Acc）与采样策略（如3-shot、5-shot、10-shot），这要求设计统一的数据管道以兼容来自HuggingFace Hub的Parquet格式分片数据。此外，评测结果的时间戳分割机制虽保障了可追溯性，却增加了跨版本比较与结果复现的复杂性，亟需建立更稳健的版本管理策略来应对持续迭代的模型评估需求。

常用场景

经典使用场景

在大规模语言模型评测领域，open-llm-leaderboard-old/details_Norquinal__llama-2-7b-claude-chat-rp 数据集被广泛用于评估对话式语言模型在多维度任务上的表现。该数据集记录了Llama-2-7B经过Claude聊天风格微调后的模型在64个评测任务上的详细结果，涵盖ARC推理挑战、DROP阅读理解、GSM8K数学推理、HellaSwag常识推理以及涵盖57个学科领域的HendrycksTest等经典基准。研究者通过加载该数据集的配置和分片，能够复现模型在特定任务上的准确率、F1分数等指标，从而系统性地剖析模型在推理、知识记忆和语言理解等方面的能力边界。这一标准化评测流程为大语言模型的横向对比提供了可靠的数据基础，成为衡量模型改进效果的黄金参考。

实际应用

在实际应用层面，该数据集为模型选型和部署决策提供了关键支撑。企业和研究机构在将Llama-2-7B等模型应用于智能客服、教育辅导、内容生成等场景前，需要全面了解模型在不同任务上的表现。例如，该数据集显示模型在Winogrande常识推理任务上达到74.74%的准确率，表明其具备较好的常识理解能力，适合应用于需要常识推理的对话系统；而DROP阅读理解任务中极低的F1分数（5.94%）则提示其在复杂文档理解场景中性能不足。基于这些评测结果，开发者可以针对性地选择模型或进行领域微调，从而降低部署风险，提升实际系统的可靠性和用户体验。

衍生相关工作

该数据集衍生了一系列关于大语言模型评测的经典工作。Open LLM Leaderboard本身作为一个持续更新的评测平台，其数据记录方式被多个后续研究采纳，形成了如‘LLM Evaluation Hub’等标准化评测框架。基于该数据集的分析，研究者提出了多项改进模型推理能力的策略，例如针对GSM8K低准确率问题，链式思维提示（Chain-of-Thought）方法被广泛验证和优化。此外，该数据集的细粒度学科评测结果（如HendrycksTest中的57个学科）催生了‘学科知识图谱增强’和‘多任务学习’等研究方向，旨在提升模型在专业领域的知识覆盖度。这些衍生工作共同推动了大语言模型从通用能力向专业化、可解释化方向的演进。