open-llm-leaderboard/details_ndavidson__cisco-iNAM-1.1B

该数据集是在评估模型ndavidson/cisco-iNAM-1.1B时自动创建的，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，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

数据集名称

• pretty_name: Evaluation run of ndavidson/cisco-iNAM-1.1B

数据集描述

• dataset_summary: 该数据集是在评估模型ndavidson/cisco-iNAM-1.1B在Open LLM Leaderboard上的运行过程中自动创建的。

数据集组成

• 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，每次运行在每个配置中作为一个特定的分割存在，分割名称使用运行的时间戳命名。
• “train”分割始终指向最新的结果。
• 额外的“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。

数据集加载示例

python from datasets import load_dataset data = load_dataset("open-llm-leaderboard/details_ndavidson__cisco-iNAM-1.1B", "harness_winogrande_5", split="train")

最新结果

• 最新结果来自2024-03-21T23:01:39.132298的运行，具体结果数据见README文件中的JSON结构。

数据集配置详情

• config_name: harness_arc_challenge_25

  • data_files:
    • split: 2024_03_21T23_01_39.132298
      • path: /details_harness|arc:challenge|25_2024-03-21T23-01-39.132298.parquet
    • split: latest
      • path: /details_harness|arc:challenge|25_2024-03-21T23-01-39.132298.parquet

• config_name: harness_gsm8k_5

  • data_files:
    • split: 2024_03_21T23_01_39.132298
      • path: /details_harness|gsm8k|5_2024-03-21T23-01-39.132298.parquet
    • split: latest
      • path: /details_harness|gsm8k|5_2024-03-21T23-01-39.132298.parquet

• config_name: harness_hellaswag_10

  • data_files:
    • split: 2024_03_21T23_01_39.132298
      • path: /details_harness|hellaswag|10_2024-03-21T23-01-39.132298.parquet
    • split: latest
      • path: /details_harness|hellaswag|10_2024-03-21T23-01-39.132298.parquet

• config_name: harness_hendrycksTest_5

  • data_files:
    • split: 2024_03_21T23_01_39.132298
      • path: /details_harness|hendrycksTest-abstract_algebra|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-anatomy|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-astronomy|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-business_ethics|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-clinical_knowledge|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-college_biology|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-college_chemistry|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-college_computer_science|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-college_mathematics|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-college_medicine|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-college_physics|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-computer_security|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-conceptual_physics|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-econometrics|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-electrical_engineering|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-elementary_mathematics|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-formal_logic|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-global_facts|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-high_school_biology|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-high_school_chemistry|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-high_school_computer_science|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-high_school_european_history|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-high_school_geography|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-high_school_government_and_politics|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-high_school_macroeconomics|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-high_school_mathematics|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-high_school_microeconomics|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-high_school_physics|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-high_school_psychology|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-high_school_statistics|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-high_school_us_history|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-high_school_world_history|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-human_aging|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-human_sexuality|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-international_law|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-jurisprudence|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-logical_fallacies|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-machine_learning|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-management|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-marketing|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-medical_genetics|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-miscellaneous|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-moral_disputes|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-moral_scenarios|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-nutrition|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-philosophy|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-prehistory|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-professional_accounting|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-professional_law|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-professional_medicine|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-professional_psychology|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-public_relations|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-security_studies|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-sociology|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-us_foreign_policy|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-virology|5_2024-03-21T23-01-39.132298.parquet
      • path: /details_harness|hendrycksTest-world_religions|5_2024-03-21T23-01-39.132298.parquet
    • split: latest
      • path: /details_harness|hendrycksTest-abstract_algebra|5_2024-03-21T23-01-39.132298.parquet
      • path: **/details_harness|hendrycksTest-anatomy|5_2024-

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。该数据集是在对ndavidson/cisco-iNAM-1.1B模型进行评测过程中自动生成的，其构建方式基于单一评测运行，共包含63个配置，每个配置对应一项被评估的任务。数据集由Parquet格式文件构成，每个任务的详细结果被存储于独立配置中，并以运行时间戳作为分割标识，其中'train'分割始终指向最新运行结果。此外，一个名为'results'的额外配置汇总了所有聚合指标，用于在排行榜上展示。

特点

该数据集的核心特点在于其结构化的多任务组织与版本追踪能力。63个配置覆盖了ARC-Challenge、HellaSwag、GSM8K、Winogrande及涵盖57个学科的MMLU（HendrycksTest）等广泛任务，每个配置均包含精确到样本级别的评测细节。通过时间戳分割，数据集实现了对多次评测历史版本的有效管理，而'latest'分割则确保用户始终能获取最新结果。这种设计不仅便于研究人员复现评测流程，还支持对模型在不同时间点性能变化的深入分析。

使用方法

研究人员可通过Hugging Face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'open-llm-leaderboard/details_ndavidson__cisco-iNAM-1.1B'及目标配置（如'harness_winogrande_5'），并选择分表（如'train'）即可获取特定任务的评测数据。对于需要分析所有任务聚合结果的场景，可直接调用'results'配置。此外，通过修改分表参数为具体时间戳，用户能够回溯历史上任意一次运行的详细记录，从而支持模型性能的纵向对比与趋势研究。

背景与挑战

背景概述

随着大语言模型（LLM）的蓬勃发展，如何系统性地评估其多样化能力成为学界与工业界共同关注的焦点。在此背景下，Hugging Face社区于2023年发起了Open LLM Leaderboard项目，旨在通过标准化基准测试为不同规模的模型提供透明、可复现的性能比较平台。该数据集正是针对Cisco研发的iNAM-1.1B模型（参数规模约11亿）在Leaderboard上的评估记录，由Hugging Face团队于2024年3月21日创建，主要研究人员包括Clémentine等。其核心研究问题在于，通过涵盖常识推理（如HellaSwag）、数学推理（GSM8K）、知识问答（MMLU）及伦理判断（TruthfulQA）等多维度任务，系统揭示中等规模模型在复杂认知任务上的表现边界。该数据集作为LLM标准化评估体系的重要组成，为模型性能的横向对比提供了关键参考基准，对推动开源语言模型的透明化评测具有显著影响力。

当前挑战

该数据集所面对的挑战主要源于两个层面。在领域问题层面，当前LLM评估面临的核心挑战是任务多样性带来的评测复杂性：单一模型在不同任务上表现差异悬殊，例如iNAM-1.1B在HellaSwag常识推理任务上准确率达60.7%，但在GSM8K数学推理任务上仅约1.4%，这种显著落差揭示了模型在逻辑推理与数值计算能力上的结构性缺陷。在数据构建层面，挑战体现为评估流程的标准化与可复现性：需要确保63个不同配置的任务在统一评测框架下运行，同时维护各次运行结果的版本管理——数据集通过按时间戳分割并保留最新结果的方式，解决了多次评估间数据组织的难题，但如何保证不同批次评估之间任务覆盖的一致性仍构成潜在挑战。

常用场景

经典使用场景

该数据集源自Open LLM Leaderboard对模型ndavidson/cisco-iNAM-1.1B的系统性评估，涵盖63个评测任务配置，每个配置对应特定基准测试的详细结果。其经典使用场景在于为研究者提供标准化、可复现的模型性能分析框架，通过加载特定任务（如harness_winogrande_5）的评测数据，可深入剖析模型在常识推理、知识问答、数学求解等维度上的表现，是进行大语言模型横向对比与能力图谱绘制的关键工具。

解决学术问题

该数据集系统性地回应了大语言模型评估中普遍存在的碎片化与不可复现问题。通过将模型在ARC-Challenge、HellaSwag、MMLU、TruthfulQA等多样化基准上的表现整合为结构化数据，它使得研究者能够精准定位模型的能力短板，例如在GSM8K数学推理任务中仅达1.44%的准确率，揭示了当前模型在复杂符号推理上的显著局限。这种细粒度的评估范式为诊断模型缺陷、指导算法改进提供了实证基础，推动了更科学的模型评估方法论。

衍生相关工作

该数据集的构建模式直接催生了Open LLM Leaderboard生态系统的完善，后续衍生出多个基于相同评估框架的模型评测数据集。相关工作包括对评估配置的扩展优化，例如引入更细粒度的任务拆分机制，以及开发可视化分析工具以直观呈现模型能力分布。此外，该数据集推动了自动化评估流水线的标准化，使得研究者能够便捷地复现评测结果，并在此基础上开展模型集成、知识蒸馏等研究方向。