Tango Evals

Repositorio para reproducir las evaluaciones de laleaderboard con el modelo Tango-70b.

Resultados

Comparación con otros modelos en laleaderboard_es

Model	Average	AQuAS	Belebele Spa	ClinDiagnosES	ClinTreatES	COPA_es	Crows Pairs Spanish	EsCoLA	Fake News ES	HumorQA	MGSM_es	NoticIA	OffendES	OpenBookQA_es	PAWS-X_es	RagQuAS	SpaLawEx	TELEIA	WNLI ES	XL-Sum_es	XNLI_es	XQuAD_es	xStoryCloze_es	Precision
Tango-70b	59.90	75.78	92.00	65.72	63.43	89.60	55.96	71.79	76.57	25.49	32.40	0.86	72.64	34.80	70.95	79.87	51.26	61.90	77.46	19.71	52.37	75.16	74.72	bf4
google/gemma-2-9b-it	33.62	85.93	86.22	83.19	81.42	78.80	17.96	34.52	62.94	45.10	0	34.11	64.52	9.33	27.60	88.01	30.53	35.72	52.11	0	24.28	62.29	35.01	bfloat16
google/gemma-2-9b	32.97	83.02	83.26	77.77	80.93	68.80	13.59	28.79	16.00	45.10	4.80	0.23	66.33	12.00	24.70	86.79	5.88	35.72	4.23	0	29.76	75.33	47.98
meta-llama/Meta-Llama-3.1-8B-Instruct	30.23	85.31	83.56	81.75	73.40	72.00	6.03	24.24	60.14	37.25	0	28.71	57.00	12.00	33.20	88.62	19.33	21.43	32.39	0	25.30	69.94	35.54	bfloat16
Qwen/Qwen2.5-7B	27.61	85.37	84.89	79.25	81.90	62.00	8.81	20.72	42.66	45.10	5.20	3.93	67.03	10.67	29.60	90.43	19.33	14.29	40.85	0	25.30	80.05	38.19	bfloat16
meta-llama/Meta-Llama-3.1-8B	27.04	83.02	74.52	80.71	81.21	62.00	0	11.53	19.58	45.10	1.60	2.60	66.23	13.07	30.10	90.69	5.88	0	1.41	0	28.86	74.38	41.63	bfloat16
utter-project/EuroLLM-9B	25.87	83.10	67.70	72.24	74.52	70.40	3.25	18.29	7.34	42.48	3.60	0.19	70.26	17.07	31.00	83.11	5.88	14.29	7.04	0	27.71	76.92	44.01	bfloat16
BSC-LT/salamandra-7b-instruct	25.13	84.13	57.33	80.38	82.03	62.00	10.67	7.68	8.74	0	0	19.38	67.83	14.93	19.50	88.78	18.21	21.43	9.86	0	24.28	58.31	30.38	bfloat16
utter-project/EuroLLM-9B-Instruct	24.46	84.81	69.78	80.90	77.76	72.40	11.20	24.57	38.11	26.80	0	26.80	61.91	13.60	26.10	90.79	13.73	21.43	29.58	0	24.82	58.48	33.69	bfloat16
CohereForAI/aya-expanse-8b	24.30	83.45	77.78	78.88	72.24	68.00	9.21	15.53	19.58	0	0	0.46	62.23	8.53	33.90	89.02	13.73	50.00	38.03	0	15.79	77.98	34.08	float16
BSC-LT/salamandra-7b	24.04	81.93	22.07	74.68	78.11	62.80	5.37	21.46	19.58	45.10	2.40	0.17	57.27	10.40	18.60	87.78	5.88	0	15.49	0	26.15	69.21	46.92

Notas:

• Average: Media no ponderada de todas las métricas válidas de todas las tareas (46 valores totales)
• Promedio (Solo Accuracy): Media no ponderada de todas las métricas acc* (22 valores de accuracy)
• Promedio (Todas las métricas): Media no ponderada de todas las métricas válidas de todas las tareas (46 valores totales)
• Los resultados de otros modelos provienen de laleaderboard_es
• Tango-70b destaca especialmente en: Average (59.90), Belebele Spa (92.00), COPA_es (89.60), EsCoLA (71.79), RagQuAS (79.87), SpaLawEx (51.26), y XL-Sum_es (19.71)
• Tango-70b supera significativamente al segundo mejor modelo (google/gemma-2-9b-it con 33.62) por 26.28 puntos porcentuales

Reproducir los resultados

1. Creá y activá un virtual-env de Python ≥ 3.9.

   python -m venv .venv
   source .venv/bin/activate
   

2. Instalá dependencias y el harness en modo editable:

   pip install -r requirements.txt
   pip install -e .

3. Logeate en Hugging Face

   huggingface-cli login

4. Ejecutá el script de evaluación:

   chmod +x run_laleaderboard_es.sh
   ./run_laleaderboard_es.sh

5. Ejecutá el script de agregación de resultados

   python aggregate_laleaderboard_es_acc.py

El script run_laleaderboard_es.sh recorre cada sub-tarea definida en lm_eval/tasks/laleaderboard/laleaderboard_es.yaml, ejecutando una a la vez. Apenas una tarea termina se escribe el archivo results_<timestamp>.json, por lo que si el proceso se interrumpe conservás todo lo ya completado.

El script aggregate_laleaderboard_es_acc.py lee todos los archivos results_*.json en tango-evals/ y calcula:

• Media de métricas de accuracy únicamente
• Media de todas las métricas (primera métrica de cada tarea)

Dónde quedan los resultados

Los resultados se guardan en el directorio indicado en OUTPUT_DIR al principio del script (por defecto ./tango-evals). Ejemplo de estructura:

<OUTPUT_DIR>/
  └── <model-name-sanitised>/
        ├── results_2024-05-29T14-52-17.json   # métricas de una tarea
        └── …                                  # más tareas / timestamps

Los logs de consola por tarea se almacenan en ./logs/ junto al script.

Reanudar o volver a correr

• El script detecta archivos results_*<task>.json existentes y salta esas tareas.
• Podés ajustar MODEL_ARGS, tamaño de batch, dispositivo, etc. editando el encabezado del script.

Hardware

– Hardware usado: 4 × NVIDIA RTX 3090, 256 GB RAM.
– Ajustá batch size o paralelismo según tu GPU.