alexmarques commited on
Commit
fe480b5
·
verified ·
1 Parent(s): ef901b9

Add eval results: aime25.json

Browse files
Files changed (1) hide show
  1. every_eval_ever/aime25.json +125 -0
every_eval_ever/aime25.json ADDED
@@ -0,0 +1,125 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "schema_version": "0.2.2",
3
+ "evaluation_id": "aime25|0/RedHatAI/gemma-4-31B-it-FP8-Dynamic/1781646637.455555",
4
+ "evaluation_timestamp": "352364",
5
+ "retrieved_timestamp": "1781646637.455555",
6
+ "source_metadata": {
7
+ "source_name": "lighteval",
8
+ "source_type": "evaluation_run",
9
+ "source_organization_name": "RedHatAI",
10
+ "evaluator_relationship": "third_party"
11
+ },
12
+ "eval_library": {
13
+ "name": "lighteval",
14
+ "version": "v0.13.0"
15
+ },
16
+ "model_info": {
17
+ "name": "RedHatAI/gemma-4-31B-it-FP8-Dynamic",
18
+ "id": "RedHatAI/gemma-4-31B-it-FP8-Dynamic",
19
+ "developer": "RedHatAI",
20
+ "inference_engine": {
21
+ "name": "vllm"
22
+ },
23
+ "additional_details": {
24
+ "provider": "hosted_vllm",
25
+ "base_url": "http://127.0.0.1:8000/v1",
26
+ "concurrent_requests": "128",
27
+ "verbose": "False",
28
+ "api_max_retry": "8",
29
+ "api_retry_sleep": "1.0",
30
+ "api_retry_multiplier": "2.0",
31
+ "timeout": "3600.0",
32
+ "num_seeds_merged": "8"
33
+ }
34
+ },
35
+ "evaluation_results": [
36
+ {
37
+ "evaluation_name": "aime25",
38
+ "source_data": {
39
+ "dataset_name": "aime25",
40
+ "source_type": "hf_dataset",
41
+ "hf_repo": "yentinglin/aime_2025",
42
+ "hf_split": "train"
43
+ },
44
+ "metric_config": {
45
+ "evaluation_description": "pass@k:k=1&n=1",
46
+ "lower_is_better": false,
47
+ "score_type": "continuous",
48
+ "min_score": 0.0,
49
+ "max_score": 1.0
50
+ },
51
+ "score_details": {
52
+ "score": 0.6625,
53
+ "details": {
54
+ "seed_scores": "[0.6666666666666666, 0.7333333333333333, 0.6333333333333333, 0.6, 0.6, 0.7666666666666667, 0.7333333333333333, 0.5666666666666667]",
55
+ "evaluation_timestamps": "[352364, 352553, 352698, 352901, 353074, 353294, 353551, 353683]",
56
+ "seed_values": "[1234, 2345, 3456, 4567, 5678, 6789, 7890, 8901]"
57
+ },
58
+ "uncertainty": {
59
+ "standard_error": {
60
+ "value": 0.02630521404045756,
61
+ "method": "across_seeds"
62
+ },
63
+ "num_samples": 8
64
+ }
65
+ },
66
+ "generation_config": {
67
+ "generation_args": {
68
+ "temperature": 1.0,
69
+ "top_p": 0.95,
70
+ "top_k": 64.0,
71
+ "max_tokens": 65536,
72
+ "max_attempts": 1
73
+ },
74
+ "additional_details": {
75
+ "seed": "1234",
76
+ "num_fewshot": "0"
77
+ }
78
+ }
79
+ },
80
+ {
81
+ "evaluation_name": "aime25",
82
+ "source_data": {
83
+ "dataset_name": "aime25",
84
+ "source_type": "hf_dataset",
85
+ "hf_repo": "yentinglin/aime_2025",
86
+ "hf_split": "train"
87
+ },
88
+ "metric_config": {
89
+ "evaluation_description": "avg@n:n=1",
90
+ "lower_is_better": false,
91
+ "score_type": "continuous",
92
+ "min_score": 0.0,
93
+ "max_score": 1.0
94
+ },
95
+ "score_details": {
96
+ "score": 0.6625,
97
+ "details": {
98
+ "seed_scores": "[0.6666666666666666, 0.7333333333333333, 0.6333333333333333, 0.6, 0.6, 0.7666666666666667, 0.7333333333333333, 0.5666666666666667]",
99
+ "evaluation_timestamps": "[352364, 352553, 352698, 352901, 353074, 353294, 353551, 353683]",
100
+ "seed_values": "[1234, 2345, 3456, 4567, 5678, 6789, 7890, 8901]"
101
+ },
102
+ "uncertainty": {
103
+ "standard_error": {
104
+ "value": 0.02630521404045756,
105
+ "method": "across_seeds"
106
+ },
107
+ "num_samples": 8
108
+ }
109
+ },
110
+ "generation_config": {
111
+ "generation_args": {
112
+ "temperature": 1.0,
113
+ "top_p": 0.95,
114
+ "top_k": 64.0,
115
+ "max_tokens": 65536,
116
+ "max_attempts": 1
117
+ },
118
+ "additional_details": {
119
+ "seed": "1234",
120
+ "num_fewshot": "0"
121
+ }
122
+ }
123
+ }
124
+ ]
125
+ }