Our new X account is live! Follow @wizwand_team for updates

Agentic Oversight on Agent-SafetyBench

84.06Detection Accuracy

FORMALJUDGE

Updated 4d ago

Evaluation Results

Method	Links
FORMALJUDGE 2026.02		84.06
FORMALJUDGE 2026.02		80.54
FORMALJUDGE 2026.02		77.28
LLM + Struct. 2026.02		76.6
FORMALJUDGE 2026.02		74.5
FORMALJUDGE 2026.02		73.26
LLM + Few-Shot 2026.02		72.73
LLM 2026.02		72.22
LLM + Python 2026.02		72
FORMALJUDGE 2026.02		71.79
FORMALJUDGE 2026.02		71.77
LLM + CoT 2026.02		69.7
LLM + Python 2026.02		68.7
LLM + Struct. 2026.02		68.69
LLM + Python 2026.02		68.18
LLM + Python 2026.02		67.38
LLM + CoT 2026.02		67.33
LLM + Python 2026.02		66.67
LLM + Struct. 2026.02		66.16
LLM + Few-Shot 2026.02		65.63
LLM + Python 2026.02		63
LLM + Struct. 2026.02		62.3
LLM + Struct. 2026.02		62
LLM 2026.02		61.98
LLM + Few-Shot 2026.02		61.98
LLM + Struct. 2026.02		61.62
LLM + CoT 2026.02		61.5
LLM 2026.02		60.1
LLM + Struct. 2026.02		59.5
LLM + Few-Shot 2026.02		59.1
LLM + Python 2026.02		58.59
LLM 2026.02		58
LLM 2026.02		58
LLM 2026.02		56.57
LLM + Few-Shot 2026.02		55.56
LLM + CoT 2026.02		55
LLM + CoT 2026.02		53.54
LLM 2026.02		52.53
LLM + CoT 2026.02		52.53
LLM + CoT 2026.02		52.5
LLM + Few-Shot 2026.02		52.02
LLM + Few-Shot 2026.02		51.5