Update eval_results.json

eval_results.json

@@ -1,9 +1,22 @@
 {
-  "mmlu": 0.2290, // Baseline: 0.25
-  "hellaswag": 0.2668, // Baseline: 0.25
-  "arc_challenge_acc": 0.1843, // Baseline: 0.25
-  "arc_challenge_acc_norm": 0.2338, // Baseline: 0.25
-  "boolq": 0.5590, // Baseline: 0.50
-  "winogrande": 0.5146, // Baseline: 0.50
-  "gsm8k_exact_match_5shot": 0.0091 // Baseline: 0.00
+  "mmlu": 0.2290,
+  "mmlu_baseline": 0.25,
+
+  "hellaswag": 0.2668,
+  "hellaswag_baseline": 0.25,
+
+  "arc_challenge_acc": 0.1843,
+  "arc_challenge_acc_baseline": 0.25,
+
+  "arc_challenge_acc_norm": 0.2338,
+  "arc_challenge_acc_norm_baseline": 0.25,
+
+  "boolq": 0.5590,
+  "boolq_baseline": 0.50,
+
+  "winogrande": 0.5146,
+  "winogrande_baseline": 0.50,
+
+  "gsm8k_exact_match_5shot": 0.0091,
+  "gsm8k_exact_match_5shot_baseline": 0.00
 }