Share your thoughts, 1 month free Claude Pro on usSee more

Dialogue Generation on NEGOTIATIONTOM N=100

0.751ToM (Llama-3.3-70B)

COSTOM

Updated 3mo ago

Evaluation Results

Method	Links
COSTOM 2026.04		0.751	0.842	0.835	0.511	0.528	0.651	0.565	0.71	0.68
COSTOM 2026.04		0.499	0.629	0.598	0.467	0.524	0.571	0.485	0.58	0.595
LatentQA 2026.04		0.44	0.608	0.537	0.23	0.298	0.29	0.28	0.35	0.32
MindDial (Fine-tuned) 2026.04		0.405	0.578	0.452	0.348	0.542	0.507	0.36	0.545	0.515
MindDial (prompt) 2026.04		0.306	0.575	0.44	0.279	0.528	0.464	0.275	0.51	0.475
Full-Layer LoRA 2026.04		0.245	0.511	0.467	0.297	0.542	0.576	0.31	0.535	0.56
LatentQA 2026.04		0.221	0.359	0.271	0.155	0.326	0.302	0.185	0.34	0.315
Full-Layer LoRA 2026.04		0.153	0.469	0.413	0.237	0.499	0.505	0.235	0.505	0.515
MindDial (Fine-tuned) 2026.04		0.149	0.511	0.395	0.184	0.492	0.485	0.19	0.5	0.48
MindDial (prompt) 2026.04		0.118	0.438	0.287	0.176	0.441	0.4	0.16	0.45	0.42
Zero-shot Baseline 2026.04		0.081	0.315	0.294	0.179	0.441	0.472	0.165	0.43	0.46
Zero-shot Baseline 2026.04		0.017	0.325	0.277	0.164	0.438	0.468	0.14	0.445	0.45