open-llm-leaderboard-old/details_dball__zephyr-tiny-sft-qlora-quantized-2

数据集是在模型dball/zephyr-tiny-sft-qlora-quantized-2的评估运行期间自动创建的，评估运行在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名称。"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dball/zephyr-tiny-sft-qlora-quantized-2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，每个运行可以在每个配置中找到特定的拆分，拆分名称使用运行的时间戳。
• "train"拆分始终指向最新的结果。
• 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_dball__zephyr-tiny-sft-qlora-quantized-2", "harness_winogrande_5", split="train")

最新结果

以下是2024-02-19T23:01:29.429903运行的最新结果：

python { "all": { "acc": 0.25775088521405515, "acc_stderr": 0.030887011436719146, "acc_norm": 0.25914425405695796, "acc_norm_stderr": 0.031645233059559054, "mc1": 0.2215422276621787, "mc1_stderr": 0.014537867601301142, "mc2": 0.3582401236161178, "mc2_stderr": 0.013523873556262476 }, "harness|arc:challenge|25": { "acc": 0.30716723549488056, "acc_stderr": 0.013481034054980943, "acc_norm": 0.3319112627986348, "acc_norm_stderr": 0.013760988200880534 }, "harness|hellaswag|10": { "acc": 0.43995220075682134, "acc_stderr": 0.004953667028654384, "acc_norm": 0.585839474208325, "acc_norm_stderr": 0.004915697886906119 }, "harness|hendrycksTest-abstract_algebra|5": { "acc": 0.26, "acc_stderr": 0.04408440022768081, "acc_norm": 0.26, "acc_norm_stderr": 0.04408440022768081 }, "harness|hendrycksTest-anatomy|5": { "acc": 0.2518518518518518, "acc_stderr": 0.037498507091740206, "acc_norm": 0.2518518518518518, "acc_norm_stderr": 0.037498507091740206 }, "harness|hendrycksTest-astronomy|5": { "acc": 0.18421052631578946, "acc_stderr": 0.0315469804508223, "acc_norm": 0.18421052631578946, "acc_norm_stderr": 0.0315469804508223 }, "harness|hendrycksTest-business_ethics|5": { "acc": 0.27, "acc_stderr": 0.0446196043338474, "acc_norm": 0.27, "acc_norm_stderr": 0.0446196043338474 }, "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": 0.2152777777777778, "acc_stderr": 0.03437079344106136, "acc_norm": 0.2152777777777778, "acc_norm_stderr": 0.03437079344106136 }, "harness|hendrycksTest-college_chemistry|5": { "acc": 0.24, "acc_stderr": 0.04292346959909283, "acc_norm": 0.24, "acc_norm_stderr": 0.04292346959909283 }, "harness|hendrycksTest-college_computer_science|5": { "acc": 0.28, "acc_stderr": 0.04512608598542127, "acc_norm": 0.28, "acc_norm_stderr": 0.04512608598542127 }, "harness|hendrycksTest-college_mathematics|5": { "acc": 0.24, "acc_stderr": 0.042923469599092816, "acc_norm": 0.24, "acc_norm_stderr": 0.042923469599092816 }, "harness|hendrycksTest-college_medicine|5": { "acc": 0.21965317919075145, "acc_stderr": 0.031568093627031744, "acc_norm": 0.21965317919075145, "acc_norm_stderr": 0.031568093627031744 }, "harness|hendrycksTest-college_physics|5": { "acc": 0.18627450980392157, "acc_stderr": 0.03873958714149351, "acc_norm": 0.18627450980392157, "acc_norm_stderr": 0.03873958714149351 }, "harness|hendrycksTest-computer_security|5": { "acc": 0.27, "acc_stderr": 0.044619604333847394, "acc_norm": 0.27, "acc_norm_stderr": 0.044619604333847394 }, "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": 0.2631578947368421, "acc_stderr": 0.041424397194893596, "acc_norm": 0.2631578947368421, "acc_norm_stderr": 0.041424397194893596 }, "harness|hendrycksTest-electrical_engineering|5": { "acc": 0.20689655172413793, "acc_stderr": 0.03375672449560554, "acc_norm": 0.20689655172413793, "acc_norm_stderr": 0.03375672449560554 }, "harness|hendrycksTest-elementary_mathematics|5": { "acc": 0.2724867724867725, "acc_stderr": 0.022930973071633356, "acc_norm": 0.2724867724867725, "acc_norm_stderr": 0.022930973071633356 }, "harness|hendrycksTest-formal_logic|5": { "acc": 0.21428571428571427, "acc_stderr": 0.03670066451047182, "acc_norm": 0.21428571428571427, "acc_norm_stderr": 0.03670066451047182 }, "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": 0.24193548387096775, "acc_stderr": 0.02436259969303109, "acc_norm": 0.24193548387096775, "acc_norm_stderr": 0.02436259969303109 }, "harness|hendrycksTest-high_school_chemistry|5": { "acc": 0.26108374384236455, "acc_stderr": 0.030903796952114485, "acc_norm": 0.26108374384236455, "acc_norm_stderr": 0.030903796952114485 }, "harness|hendrycksTest-high_school_computer_science|5": { "acc": 0.26, "acc_stderr": 0.044084400227680794, "acc_norm": 0.26, "acc_norm_stderr": 0.044084400227680794 }, "harness|hendrycksTest-high_school_european_history|5": { "acc": 0.296969696969697, "acc_stderr": 0.03567969772268049, "acc_norm": 0.296969696969697, "acc_norm_stderr": 0.03567969772268049 }, "harness|hendrycksTest-high_school_geography|5": { "acc": 0.22727272727272727, "acc_stderr": 0.02985751567338641, "acc_norm": 0.22727272727272727, "acc_norm_stderr": 0.02985751567338641 }, "harness|hendrycksTest-high_school_government_and_politics|5": { "acc": 0.21243523316062177, "acc_stderr": 0.029519282616817244, "acc_norm": 0.21243523316062177, "acc_norm_stderr": 0.029519282616817244 }, "harness|hendrycksTest-high_school_macroeconomics|5": { "acc": 0.23076923076923078, "acc_stderr": 0.021362027725222717, "acc_norm": 0.23076923076923078, "acc_norm_stderr": 0.021362027725222717 }, "harness|hendrycksTest-high_school_mathematics|5": { "acc": 0.27037037037037037, "acc_stderr": 0.027080372815145

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dball/zephyr-tiny-sft-qlora-quantized-2的自动化评估流程。在评估过程中，系统将模型在63个不同任务上的评测结果系统性地整理并存储为Parquet格式文件。每个任务对应一个独立的数据集配置，而每次运行的结果则被组织为特定时间戳命名的数据分割。数据集还包含一个名为“results”的额外配置，用于汇总所有运行的综合指标。训练分割始终指向最新一次运行的评测数据，确保了数据时效性与可追溯性。

特点

该数据集的核心特点在于其结构化的多任务评估体系，覆盖了从常识推理（如ARC、HellaSwag）到专业学科知识（如MMLU的57个子领域）的广泛能力维度。每个配置均存储了包括准确率及其标准误差在内的细粒度指标，支持对模型在不同难度和类型任务上的表现进行深入分析。时间戳分割的设计使得研究者能够追踪模型性能的演进轨迹，而“latest”分割则提供了便捷的基准对比入口。

使用方法

研究者可通过HuggingFace Datasets库便捷地加载该数据集。例如，使用`load_dataset`函数并指定任务配置名称（如"harness_winogrande_5"）即可获取特定评测任务的详细结果。通过选择分割参数（如"train"或时间戳字符串），用户可以灵活地访问最新或历史运行数据。加载后的数据可直接用于复现排行榜指标、进行模型性能的横向对比，或作为元学习研究的训练数据来源。

背景与挑战

背景概述

随着大语言模型（LLM）的迅猛发展，如何系统性地评估其多维度能力成为学术界与工业界共同关注的焦点。在此背景下，HuggingFace社区于2023年推出了Open LLM Leaderboard，旨在为开源模型提供标准化的评测基准。该数据集由HuggingFace团队（主要联系人Clémentine Fourrier）于2024年2月创建，记录了模型dball/zephyr-tiny-sft-qlora-quantized-2在63个任务配置上的详细评估结果，涵盖推理、常识、数学及多领域知识等维度。其核心研究问题在于量化轻量化量化模型在多样化任务中的表现边界，为资源受限场景下的模型部署提供实证参考。该数据集作为Leaderboard的底层数据支撑，已成为社区对比模型性能、追踪进展的重要依据，对推动高效模型研发具有显著影响力。

当前挑战

该数据集所解决的领域问题在于为轻量化大语言模型提供细粒度、多任务的能力评估框架，突破了传统单一指标（如困惑度）的局限性，尤其针对量化与微调压缩后的模型在推理、知识迁移及数学求解等复杂任务中的表现进行系统性诊断。在构建过程中，面临的主要挑战包括：其一，需协调63个异构任务（如ARC挑战赛、GSM8K数学推理、MMLU多学科知识等）的评测接口与标准化格式，确保不同任务间的结果可比性；其二，处理量化模型在低精度推理时出现的数值稳定性问题，如GSM8K任务中准确率仅1.59%所暴露的数学推理能力退化；其三，管理多轮评测的时间戳数据与结果聚合逻辑，需在增量更新时保持“latest”分片指向最新结果，同时保留历史版本以支持模型迭代分析。

常用场景

经典使用场景

该数据集作为Open LLM Leaderboard评估流程的产物，专门用于记录和存储模型dball/zephyr-tiny-sft-qlora-quantized-2在63个自然语言理解与推理任务上的细粒度性能指标。其经典使用场景在于为研究者提供标准化的评测基准数据，涵盖ARC-Challenge、HellaSwag、GSM8K、TruthfulQA以及涵盖57个学科的MMLU等广泛任务。通过加载该数据集的特定配置与分割，用户能够精确复现每一次评估运行的原始结果，从而深入分析模型在不同难度与领域下的表现差异。

解决学术问题

该数据集有效解决了大语言模型评估中结果可复现性与细粒度分析不足的学术难题。传统上，模型性能仅以宏观平均指标呈现，掩盖了其在特定子任务上的优劣。此数据集通过结构化存储每次独立运行的完整结果，使得研究者能够追溯模型在数学推理、常识理解、知识问答等维度的具体表现，为模型弱点诊断与改进方向提供了坚实的数据基础。其意义在于推动了评估过程的透明化与标准化，促进了语言模型能力的系统化比较与理解。

衍生相关工作

该数据集衍生了若干重要的相关工作，最显著的是作为Open LLM Leaderboard生态系统的核心组件，催生了大量关于模型性能榜单分析与模型压缩效果评估的研究。例如，研究者利用此数据集对比不同量化策略对zephyr-tiny模型的影响，或分析QLoRA微调后的知识保留程度。此外，该数据集的细粒度结果常被用于训练性能预测器或构建模型能力图谱，从而衍生出自动化模型选择与组合优化的新范式。