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

Agentic Oversight on VitaBench

82.13Detection Accuracy

FORMALJUDGE

Updated 4d ago

Evaluation Results

Method	Links
FORMALJUDGE 2026.02		82.13
FORMALJUDGE 2026.02		78.53
FORMALJUDGE 2026.02		78.53
LLM + Python 2026.02		76.23
LLM + Struct. 2026.02		75.04
FORMALJUDGE 2026.02		74.93
LLM + Struct. 2026.02		74.72
FORMALJUDGE 2026.02		74.52
LLM 2026.02		74.36
LLM + Python 2026.02		73.85
LLM + Few-Shot 2026.02		73.54
LLM + Python 2026.02		73.14
LLM 2026.02		72.23
LLM + Few-Shot 2026.02		72.21
LLM + CoT 2026.02		72.15
FORMALJUDGE 2026.02		70.97
LLM + Struct. 2026.02		70.82
LLM + Python 2026.02		69.84
LLM + CoT 2026.02		68.42
LLM + Few-Shot 2026.02		67.93
LLM 2026.02		67.82
LLM + Python 2026.02		67.51
LLM + CoT 2026.02		67.02
LLM + CoT 2026.02		66.13
LLM 2026.02		66.05
LLM + Python 2026.02		65.92
LLM + CoT 2026.02		65.84
LLM + Struct. 2026.02		64.52
LLM + Struct. 2026.02		64.45
LLM + Few-Shot 2026.02		64.43
FORMALJUDGE 2026.02		64.24
LLM + CoT 2026.02		62.76
LLM 2026.02		62.61
LLM + Python 2026.02		62.14
LLM + Struct. 2026.02		62.03
LLM 2026.02		60.94
LLM + Few-Shot 2026.02		60.91
LLM 2026.02		59.31
LLM + Struct. 2026.02		59.28
LLM + Few-Shot 2026.02		58.52
LLM + CoT 2026.02		58.04
LLM + Few-Shot 2026.02		56.83