open-llm-leaderboard-old/details_openaccess-ai-collective__minotaur-13b-fixed

该数据集是在模型 openaccess-ai-collective/minotaur-13b-fixed 在 Open LLM Leaderboard 上的评估运行过程中自动生成的。数据集由 64 个配置组成，每个配置对应一个被评估的任务。它由 2 次运行创建，每次运行在每个配置中表示为特定的分割，分割名称由运行的时间戳命名。train 分割始终指向最新的结果。一个名为 results 的额外配置存储了所有运行的聚合结果，这些结果用于计算和显示 Open LLM Leaderboard 上的聚合指标。README 还提供了如何使用 Python 代码加载运行中的详细信息的示例，并包含了特定运行的最新结果。该数据集是在模型 openaccess-ai-collective/minotaur-13b-fixed 在 Open LLM Leaderboard 上的评估运行过程中自动生成的。数据集由 64 个配置组成，每个配置对应一个被评估的任务。它由 2 次运行创建，每次运行在每个配置中表示为特定的分割，分割名称由运行的时间戳命名。train 分割始终指向最新的结果。一个名为 results 的额外配置存储了所有运行的聚合结果，这些结果用于计算和显示 Open LLM Leaderboard 上的聚合指标。README 还提供了如何使用 Python 代码加载运行中的详细信息的示例，并包含了特定运行的最新结果。

原始信息汇总

数据集概述

该数据集是在对模型 openaccess-ai-collective/minotaur-13b-fixed 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。

结果配置

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。

加载数据示例

python from datasets import load_dataset data = load_dataset("open-llm-leaderboard/details_openaccess-ai-collective__minotaur-13b-fixed", "harness_winogrande_5", split="train")

最新结果

以下是 2023-09-17T11:35:58.500746 运行的最新结果：

python { "all": { "em": 0.08588506711409397, "em_stderr": 0.0028694514614574086, "f1": 0.15832529362416004, "f1_stderr": 0.0031260511951114243, "acc": 0.44995251838080197, "acc_stderr": 0.01057426968021918 }, "harness|drop|3": { "em": 0.08588506711409397, "em_stderr": 0.0028694514614574086, "f1": 0.15832529362416004, "f1_stderr": 0.0031260511951114243 }, "harness|gsm8k|5": { "acc": 0.13115996967399546, "acc_stderr": 0.009298499235587853 }, "harness|winogrande|5": { "acc": 0.7687450670876085, "acc_stderr": 0.01185004012485051 } }

配置详情

• harness_arc_challenge_25

  • 分割: 2023_07_24T12_56_58.097671
  • 路径: **/details_harness|arc:challenge|25_2023-07-24T12:56:58.097671.parquet
  • 分割: latest
  • 路径: **/details_harness|arc:challenge|25_2023-07-24T12:56:58.097671.parquet

• harness_drop_3

  • 分割: 2023_09_17T11_35_58.500746
  • 路径: **/details_harness|drop|3_2023-09-17T11-35-58.500746.parquet
  • 分割: latest
  • 路径: **/details_harness|drop|3_2023-09-17T11-35-58.500746.parquet

• harness_gsm8k_5

  • 分割: 2023_09_17T11_35_58.500746
  • 路径: **/details_harness|gsm8k|5_2023-09-17T11-35-58.500746.parquet
  • 分割: latest
  • 路径: **/details_harness|gsm8k|5_2023-09-17T11-35-58.500746.parquet

• harness_hellaswag_10

  • 分割: 2023_07_24T12_56_58.097671
  • 路径: **/details_harness|hellaswag|10_2023-07-24T12:56:58.097671.parquet
  • 分割: latest
  • 路径: **/details_harness|hellaswag|10_2023-07-24T12:56:58.097671.parquet

• harness_hendrycksTest_5

  • 分割: 2023_07_24T12_56_58.097671
  • 路径:
    • **/details_harness|hendrycksTest-abstract_algebra|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-anatomy|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-astronomy|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-business_ethics|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-clinical_knowledge|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-college_biology|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-college_chemistry|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-college_computer_science|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-college_mathematics|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-college_medicine|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-college_physics|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-computer_security|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-conceptual_physics|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-econometrics|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-electrical_engineering|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-elementary_mathematics|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-formal_logic|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-global_facts|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-high_school_biology|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-high_school_chemistry|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-high_school_computer_science|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-high_school_european_history|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-high_school_geography|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-high_school_government_and_politics|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-high_school_macroeconomics|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-high_school_mathematics|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-high_school_microeconomics|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-high_school_physics|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-high_school_psychology|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-high_school_statistics|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-high_school_us_history|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-high_school_world_history|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-human_aging|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-human_sexuality|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-international_law|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-jurisprudence|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-logical_fallacies|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-machine_learning|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-management|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-marketing|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-medical_genetics|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-miscellaneous|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-moral_disputes|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-moral_scenarios|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-nutrition|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-philosophy|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-prehistory|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-professional_accounting|5_2023-07-24T12:56:58.097671.parquet
    • **/details_harness|hendrycksTest-professional_law|5_2023-07-24T12:56:58.097671.parquet

搜集汇总

数据集介绍

构建方式

该数据集源于对开源大语言模型 minotaur-13b-fixed 在 Open LLM Leaderboard 上的自动化评估流程。构建过程中，系统将模型在多个标准评测任务上的推理结果系统性地整理为 Parquet 格式的明细文件，每个任务对应一个独立的配置（config）。数据集由两次独立运行的结果组成，每次运行的结果被存储为对应配置下的特定分割（split），并以运行时间戳命名，而 'train' 分割则始终指向最新一次运行的结果。此外，一个名为 'results' 的额外配置用于汇总所有评估的聚合指标。

特点

该数据集的核心特点在于其结构化的多任务评估记录。它涵盖了 ARC-Challenge、DROP、GSM8K、HellaSwag、MMLU（包含 57 个子领域）以及 Winogrande 等广泛的大语言模型基准测试，总计包含 64 个配置。每个配置不仅保存了模型在具体任务上的详细得分，还通过 'latest' 分割自动追踪最新评估结果，确保了数据的时效性。这种设计使得研究者能够便捷地回溯不同时点的模型性能，并进行横向与纵向的比较分析。

使用方法

使用该数据集时，研究者可通过 Hugging Face 的 datasets 库进行加载。通过指定具体的配置名称（如 'harness_winogrande_5'）和所需的分割（如 'train' 或特定的时间戳分割），即可获取对应任务的详细评估记录。例如，执行 `load_dataset("open-llm-leaderboard/details_openaccess-ai-collective__minotaur-13b-fixed", "harness_winogrande_5", split="train")` 即可加载 Winogrande 任务的最新结果。此外，通过读取 'results' 配置，可以一次性获取模型在所有任务上的聚合性能指标。

背景与挑战

背景概述

在大型语言模型（LLM）蓬勃发展的时代，如何系统性地评估其多维能力成为推动技术落地的关键瓶颈。由Hugging Face团队于2023年主导构建的Open LLM Leaderboard，旨在为开源社区提供一个标准化、可复现的模型评测框架。该数据集作为排行榜的衍生资源，专门记录了对openaccess-ai-collective/minotaur-13b-fixed模型的详细评估结果，涵盖ARC挑战赛、DROP、GSM8K、HellaSwag及涵盖57个学科的MMLU等多项基准任务。通过存储每次运行的分层结果，该数据集不仅揭示了模型在常识推理、数学计算与阅读理解等核心维度的性能表现，更以透明化的方式推动了LLM评估范式的演进，为后续模型优化与对比研究提供了坚实的数据基础。

当前挑战

该数据集面临的核心挑战在于解决LLM评估的标准化难题。领域问题层面，不同任务（如DROP的文本理解与GSM8K的数学推理）对模型能力要求迥异，单一指标难以全面刻画模型优劣，需在异构任务间建立公平的度量体系。构建过程中，数据集的动态更新特性（如多轮运行与最新结果自动指向）给版本管理与结果复现带来复杂性，确保每次评估的配置一致性、结果可追溯性以及跨任务聚合的准确性成为关键障碍。此外，面对快速演进的模型生态，如何维持评测任务的时效性与覆盖广度，避免因基准过时而导致评估偏差，也是持续挑战所在。

常用场景

经典使用场景

在大规模语言模型评估领域，Open LLM Leaderboard上的评估数据为研究者提供了标准化、多维度性能度量的基石。该数据集记录了minotaur-13b-fixed模型在ARC挑战赛、DROP、GSM8k、HellaSwag、WinoGrande及涵盖57个学科的MMLU等任务上的详尽表现。其最经典的使用场景在于，研究人员可通过加载特定配置（如harness_winogrande_5）与时间戳分片，复现模型在特定基准上的精确得分，进而横向对比不同模型的推理、常识与数学能力。这种细粒度的结果存储机制，使得纵向追踪模型迭代过程中的性能演化成为可能，为理解模型能力边界提供了实证依据。

衍生相关工作

此数据集衍生了一系列关于模型评估方法论与性能分析的前沿工作。其结构化的多任务结果催生了针对模型能力“盲点”的元分析研究，例如探究GSM8k与MMLU中代数子任务之间的知识迁移效应。此外，基于该数据集的公开结果，研究者构建了模型性能预测器，尝试从架构参数与训练数据量推算在WinoGrande等任务上的预期得分。数据集中保存的多次运行记录也为评估噪声分析提供了素材，推动了关于Few-shot提示策略稳定性与统计显著性检验的深入探讨，进一步丰富了开放语言模型评估生态的理论基础。

数据集最近研究

最新研究方向

在大型语言模型（LLM）评估领域，Open LLM Leaderboard 已成为衡量模型性能的权威基准平台。针对 openaccess-ai-collective/minotaur-13b-fixed 模型的评估数据集，其最新研究方向聚焦于多维度、多任务的细粒度评测体系构建。该数据集整合了涵盖常识推理（如 HellaSwag、Winogrande）、数学推理（GSM8K）、阅读理解（DROP）以及广泛学科知识（MMLU）等多项核心任务，通过自动化流程记录模型在每项任务上的精确指标（如准确率、F1分数）。这一系统性评估框架不仅揭示了 Minotaur-13B 在推理与知识应用方面的综合能力，更呼应了当前业界对 LLM 可解释性与鲁棒性的迫切需求。随着 GPT-4 等前沿模型引发热潮，此类标准化评测数据集为社区提供了透明、可复现的模型比较基础，推动了从单一任务到全场景能力评估的范式转变，其影响力已延伸至模型选型、开源生态竞争及后续微调策略优化等关键环节。