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

Detoxification on AttaQ benchmark

0.045Avg Toxicity (Max)

RAD

Updated 4d ago

Evaluation Results

Method	Links
RAD 2026.01		0.045	0.039	18.2	0	-
RAD 2026.01		0.045	0.037	19.88	0	-
DeStein 2026.01		0.055	0.037	5.77	0.8	-
RAD 2026.01		0.057	0.044	10.22	0.9	-
RAD 2026.01		0.061	0.048	9.7	0.6	-
RAD 2026.01		0.089	0.066	3.98	0.5	-
RAD 2026.01		0.099	0.074	3.71	0.7	-
TIDE 2026.01		0.108	0.088	3.44	0	1.11
Toxification Reversal 2026.01		0.11	0.075	4.74	2.8	-
RAD 2026.01		0.113	0.085	3.92	1.9	-
RAD 2026.01		0.117	0.088	3.51	1.5	-
RAD 2026.01		0.125	0.093	3.63	2.1	-
TIDE 2026.01		0.138	0.112	3.2	0.1	-
RAD 2026.01		0.146	0.107	3.35	3	-
GeDi 2026.01		0.155	0.116	3.54	4.5	-
RAD 2026.01		0.156	0.117	3.38	4.5	-
DExperts 2026.01		0.165	0.125	3.38	5.7	-
SASA 2026.01		0.169	0.131	5.17	6	-
SASA 2026.01		0.173	0.131	3.35	6.5	-
SASA 2026.01		0.173	0.13	3.37	6.2	-
SASA 2026.01		0.174	0.131	3.34	6.4	-
SASA 2026.01		0.174	0.132	3.35	6.5	-
SASA 2026.01		0.174	0.132	3.35	6.3	-
SASA 2026.01		0.176	0.133	3.35	6.5	-
Base model 2026.01		0.179	0.134	3.36	7.2	-
SASA 2026.01		0.189	0.145	3.49	6.9	-
RAD 2026.01		0.192	0.145	3.1	6.5	-
SASA 2026.01		0.212	0.161	3.09	9.3	-
SASA 2026.01		0.212	0.16	3.1	9.2	-
SASA 2026.01		0.215	0.163	3.08	10	-
SASA 2026.01		0.221	0.166	3.08	10.1	-
Base model 2026.01		0.222	0.166	3.11	10.1	-