open-llm-leaderboard-old/details_Severian__ANIMA-Phi-Neptune-Mistral-7B-v1

该数据集是在模型Severian/ANIMA-Phi-Neptune-Mistral-7B-v1的评估运行期间自动创建的，用于在Open LLM Leaderboard上进行评估。数据集由61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

数据集摘要

该数据集是在对模型 Severian/ANIMA-Phi-Neptune-Mistral-7B-v1 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 61 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。
• 额外的 "results" 配置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。

最新结果

以下是 2023-10-10T14:57:20.867230 运行的最新结果：

python { "all": { "acc": 0.5221924256666464, "acc_stderr": 0.03497779761198706, "acc_norm": 0.5257525929962562, "acc_norm_stderr": 0.03496709701060229, "mc1": 0.4112607099143207, "mc1_stderr": 0.01722562708366086, "mc2": 0.5936287801538656, "mc2_stderr": 0.015090925037000012 }, "harness|arc:challenge|25": { "acc": 0.5, "acc_stderr": 0.014611390804670088, "acc_norm": 0.5290102389078498, "acc_norm_stderr": 0.01458677635529431 }, "harness|hellaswag|10": { "acc": 0.5657239593706433, "acc_stderr": 0.004946485466544624, "acc_norm": 0.7467635929097789, "acc_norm_stderr": 0.0043397644342190655 }, "harness|hendrycksTest-abstract_algebra|5": { "acc": 0.3, "acc_stderr": 0.046056618647183814, "acc_norm": 0.3, "acc_norm_stderr": 0.046056618647183814 }, "harness|hendrycksTest-anatomy|5": { "acc": 0.4074074074074074, "acc_stderr": 0.042446332383532286, "acc_norm": 0.4074074074074074, "acc_norm_stderr": 0.042446332383532286 }, "harness|hendrycksTest-astronomy|5": { "acc": 0.4868421052631579, "acc_stderr": 0.04067533136309174, "acc_norm": 0.4868421052631579, "acc_norm_stderr": 0.04067533136309174 }, "harness|hendrycksTest-business_ethics|5": { "acc": 0.52, "acc_stderr": 0.050211673156867795, "acc_norm": 0.52, "acc_norm_stderr": 0.050211673156867795 }, "harness|hendrycksTest-clinical_knowledge|5": { "acc": 0.5849056603773585, "acc_stderr": 0.03032594578928611, "acc_norm": 0.5849056603773585, "acc_norm_stderr": 0.03032594578928611 }, "harness|hendrycksTest-college_biology|5": { "acc": 0.5277777777777778, "acc_stderr": 0.04174752578923185, "acc_norm": 0.5277777777777778, "acc_norm_stderr": 0.04174752578923185 }, "harness|hendrycksTest-college_chemistry|5": { "acc": 0.33, "acc_stderr": 0.04725815626252604, "acc_norm": 0.33, "acc_norm_stderr": 0.04725815626252604 }, "harness|hendrycksTest-college_computer_science|5": { "acc": 0.45, "acc_stderr": 0.049999999999999996, "acc_norm": 0.45, "acc_norm_stderr": 0.049999999999999996 }, "harness|hendrycksTest-college_mathematics|5": { "acc": 0.23, "acc_stderr": 0.042295258468165065, "acc_norm": 0.23, "acc_norm_stderr": 0.042295258468165065 }, "harness|hendrycksTest-college_medicine|5": { "acc": 0.5375722543352601, "acc_stderr": 0.0380168510452446, "acc_norm": 0.5375722543352601, "acc_norm_stderr": 0.0380168510452446 }, "harness|hendrycksTest-college_physics|5": { "acc": 0.29411764705882354, "acc_stderr": 0.04533838195929777, "acc_norm": 0.29411764705882354, "acc_norm_stderr": 0.04533838195929777 }, "harness|hendrycksTest-computer_security|5": { "acc": 0.69, "acc_stderr": 0.04648231987117316, "acc_norm": 0.69, "acc_norm_stderr": 0.04648231987117316 }, "harness|hendrycksTest-conceptual_physics|5": { "acc": 0.4553191489361702, "acc_stderr": 0.03255525359340355, "acc_norm": 0.4553191489361702, "acc_norm_stderr": 0.03255525359340355 }, "harness|hendrycksTest-econometrics|5": { "acc": 0.35964912280701755, "acc_stderr": 0.04514496132873633, "acc_norm": 0.35964912280701755, "acc_norm_stderr": 0.04514496132873633 }, "harness|hendrycksTest-electrical_engineering|5": { "acc": 0.5586206896551724, "acc_stderr": 0.04137931034482758, "acc_norm": 0.5586206896551724, "acc_norm_stderr": 0.04137931034482758 }, "harness|hendrycksTest-elementary_mathematics|5": { "acc": 0.35714285714285715, "acc_stderr": 0.024677862841332783, "acc_norm": 0.35714285714285715, "acc_norm_stderr": 0.024677862841332783 }, "harness|hendrycksTest-formal_logic|5": { "acc": 0.36507936507936506, "acc_stderr": 0.04306241259127153, "acc_norm": 0.36507936507936506, "acc_norm_stderr": 0.04306241259127153 }, "harness|hendrycksTest-global_facts|5": { "acc": 0.36, "acc_stderr": 0.04824181513244218, "acc_norm": 0.36, "acc_norm_stderr": 0.04824181513244218 }, "harness|hendrycksTest-high_school_biology|5": { "acc": 0.5870967741935483, "acc_stderr": 0.028009138125400387, "acc_norm": 0.5870967741935483, "acc_norm_stderr": 0.028009138125400387 }, "harness|hendrycksTest-high_school_chemistry|5": { "acc": 0.3497536945812808, "acc_stderr": 0.03355400904969565, "acc_norm": 0.3497536945812808, "acc_norm_stderr": 0.03355400904969565 }, "harness|hendrycksTest-high_school_computer_science|5": { "acc": 0.54, "acc_stderr": 0.05009082659620333, "acc_norm": 0.54, "acc_norm_stderr": 0.05009082659620333 }, "harness|hendrycksTest-high_school_european_history|5": { "acc": 0.6727272727272727, "acc_stderr": 0.036639749943912434, "acc_norm": 0.6727272727272727, "acc_norm_stderr": 0.036639749943912434 }, "harness|hendrycksTest-high_school_geography|5": { "acc": 0.6212121212121212, "acc_stderr": 0.03456088731993747, "acc_norm": 0.6212121212121212, "acc_norm_stderr": 0.03456088731993747 }, "harness|hendrycksTest-high_school_government_and_politics|5": { "acc": 0.7202072538860104, "acc_stderr": 0.03239637046735704, "acc_norm": 0.7202072538860104, "acc_norm_stderr": 0.03239637046735704 }, "harness|hendrycksTest-high_school_macroeconomics|5": { "acc": 0.4666666666666667, "acc_stderr": 0.025294608023986476, "acc_norm": 0.4666666666666667, "acc_norm_stderr": 0.025294608023986476 }, "harness|hendrycksTest-high_school_mathematics|5": { "acc": 0.27037037037037037, "acc_stderr": 0.027080372815145665, "acc_norm": 0.27037037037037037, "acc_norm_stderr": 0.027080372815145665 }, "harness|hendrycksTest-high_school_microeconomics|5": { "acc": 0.470588

搜集汇总

数据集介绍

构建方式

该数据集是在Open LLM Leaderboard平台上对Severian/ANIMA-Phi-Neptune-Mistral-7B-v1模型进行自动化评估过程中生成的。数据集由61个配置组成，每个配置对应一项被评估的任务。评估执行了单一轮次，每轮结果以时间戳命名作为独立的分割，而“train”分割始终指向最新结果。此外，一个名为“results”的额外配置存储了所有聚合的评估指标，用于在排行榜上计算和展示综合性能。

特点

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-Challenge、HellaSwag）到多学科知识（如HendrycksTest涵盖的57个学科）以及事实性问答（如TruthfulQA）等广泛领域。每个任务配置均包含详细的性能指标，包括准确率及其标准误差，并提供了归一化后的准确率，便于研究者进行细粒度分析。数据以Parquet格式存储，支持高效的数据加载与处理。

使用方法

研究者可通过HuggingFace的datasets库便捷地加载该数据集。例如，使用`load_dataset("open-llm-leaderboard/details_Severian__ANIMA-Phi-Neptune-Mistral-7B-v1", "harness_truthfulqa_mc_0", split="train")`即可获取最新评估结果。数据集的每个任务配置均可独立访问，而“results”配置则提供了全局聚合结果，适用于模型性能的横向对比与深度分析。

背景与挑战

背景概述

随着大语言模型（LLM）在自然语言处理领域的迅猛发展，如何系统性地评估其多维能力已成为学术界与工业界的核心议题。Open LLM Leaderboard（由HuggingFace团队于2023年发起）正是为应对这一需求而诞生的基准平台。该数据集作为其子集，聚焦于对Severian/ANIMA-Phi-Neptune-Mistral-7B-v1模型在61项任务上的表现进行细粒度记录，涵盖常识推理、学科知识、事实准确性等多个维度。其核心研究问题在于：通过标准化评估流程，揭示模型在不同难度与知识领域中的优劣势，从而为模型优化提供可复现的参照。这一工作不仅推动了LLM评估的透明化，更成为社区衡量模型进步的重要标尺。

当前挑战

该数据集所面临的核心挑战体现在两个层面。其一，领域问题的复杂性：LLM需要在诸如ARC挑战赛、HellaSwag等海量任务中展现稳健的推理能力，而模型在TruthfulQA等事实性任务上的低分（如MC1仅41.1%）暴露出其在对抗幻觉与知识边界上的根本性困境。其二，构建过程的难度：数据集需整合来自不同基准（如MMLU的57个学科）的异构结果，并维护多轮评估的版本一致性（如时间戳分片管理）；同时，评估结果对超参数敏感，如何确保不同模型间的公平比较，以及如何防范数据泄露导致的性能虚高，皆是持续存在的技术挑战。

常用场景

经典使用场景

该数据集作为Open LLM Leaderboard评估流程的自动化产物，核心用途在于对Severian/ANIMA-Phi-Neptune-Mistral-7B-v1模型在61项不同任务上的性能进行细粒度记录与比较。研究者可通过加载特定配置（如harness_truthfulqa_mc_0）与时间戳划分的数据分片，精准复现模型在ARC挑战赛、HellaSwag常识推理、MMLU多学科知识等基准测试中的逐项表现，从而实现对模型能力的多维度解剖。

实际应用

在实际应用中，该数据集为模型选型与优化提供了关键决策依据。开发者可依据其在HellaSwag上的74.68%归一化准确率或MMLU市场营销子任务中81.20%的得分，判断模型在特定场景下的适用性。例如，高准确率的市场营销知识表现可支撑商业文案生成系统，而TruthfulQA中59.36%的MC2分数则提示了在事实性问答场景中需谨慎使用，从而指导模型微调方向或部署策略。

衍生相关工作

该数据集衍生了一系列关于模型评估标准化的重要工作。Open LLM Leaderboard本身已成为社区公认的模型性能排行榜，其评估框架被广泛复用于后续模型（如Llama系列）的对比分析。研究人员基于此类细粒度结果数据，进一步开发了模型能力图谱可视化工具、任务难度加权聚合算法，以及针对特定领域（如医学、法律）的专项评估套件，深化了对大语言模型能力边界与偏见的理解。