Task                               , Accuracy  , Centered  
hellaswag_zeroshot                 , 0.296554  , 0.062073  
jeopardy                           , 0.003307  , 0.003307  
bigbench_qa_wikidata               , 0.189016  , 0.189016  
arc_easy                           , 0.435185  , 0.246914  
arc_challenge                      , 0.246587  , -0.004551 
copa                               , 0.500000  , 0.000000  
commonsense_qa                     , 0.266175  , 0.082719  
piqa                               , 0.597388  , 0.194777  
openbook_qa                        , 0.298000  , 0.064000  
lambada_openai                     , 0.207646  , 0.207646  
hellaswag                          , 0.296156  , 0.061542  
winograd                           , 0.556777  , 0.113553  
winogrande                         , 0.520916  , 0.041831  
bigbench_dyck_languages            , 0.116000  , 0.116000  
agi_eval_lsat_ar                   , 0.269565  , 0.086957  
bigbench_cs_algorithms             , 0.361364  , 0.361364  
bigbench_operators                 , 0.104762  , 0.104762  
bigbench_repeat_copy_logic         , 0.000000  , 0.000000  
squad                              , 0.004068  , 0.004068  
coqa                               , 0.056495  , 0.056495  
boolq                              , 0.545872  , -0.195075 
bigbench_language_identification   , 0.261400  , 0.187459  
CORE                               ,           , 0.090221