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

Detoxification on RealToxicityPrompts challenging

0.062Max Toxicity

RAD

Updated 4d ago

Evaluation Results

Method	Links
RAD 2026.01		0.062	0.055	35.79	0.005	-
RAD 2026.01		0.07	0.058	19.46	0.006	-
RAD 2026.01		0.089	0.075	30.3	0.019	-
RAD 2026.01		0.1	0.083	17.99	0.029	-
DeStein 2026.01		0.116	0.087	8.72	0.062	-
RAD 2026.01		0.134	0.102	7.21	0.046	-
RAD 2026.01		0.149	0.115	5.99	0.069	-
TIDE 2026.01		0.151	0.113	4.57	0.002	-
TIDE 2026.01		0.156	0.122	5.53	0.003	3.17
RAD 2026.01		0.159	0.122	6.25	0.066	-
RAD 2026.01		0.167	0.129	5.01	0.085	-
RAD 2026.01		0.206	0.161	4.31	0.121	-
RAD 2026.01		0.209	0.157	5.5	0.12	-
SASA 2026.01		0.283	0.214	11.77	0.252	-
GeDi 2026.01		0.297	0.245	7.46	0.25	-
Toxification Reversal 2026.01		0.334	0.271	6.63	0.321	-
RAD 2026.01		0.38	0.303	3.53	0.353	-
SASA 2026.01		0.397	0.311	6.17	0.415	-
RAD 2026.01		0.419	0.336	4.39	0.401	-
SASA 2026.01		0.522	0.428	3.47	0.561	-
DExperts 2026.01		0.527	0.46	4.18	0.562	-
SASA 2026.01		0.533	0.438	3.41	0.575	-
SASA 2026.01		0.545	0.448	3.39	0.589	-
Base model 2026.01		0.547	0.458	3.36	0.588	-
SASA 2026.01		0.556	0.458	3.39	0.598	-
SASA 2026.01		0.557	0.455	4.17	0.596	-
SASA 2026.01		0.57	0.468	4.18	0.61	-
SASA 2026.01		0.579	0.481	4.2	0.621	-
SASA 2026.01		0.58	0.482	4.18	0.624	-
SASA 2026.01		0.587	0.488	4.2	0.63	-
Base model 2026.01		0.591	0.495	4.13	0.639	-
SASA 2026.01		0.592	0.492	4.2	0.638	-