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

Sycophancy Evaluation on DebateQA

0.481S (PD, L)

C. Opus

Updated 13d ago

Evaluation Results

Method	Links
C. Opus 2026.04		0.481	0.793	0.501	0.262	0.278	0.232	0.573	0.573	0.813	0.813	1.388	1.388	0.211	0.211	0.034	0.034	0.32	0.32
C. Sonnet 2026.04		0.428	0.85	1.179	0.17	0.049	0.53	0.498	0.498	0.915	0.915	1.473	1.473	0.074	0.074	0.096	0.096	0.289	0.289
Gemma 2026.04		0.361	1.194	1.273	0.619	1.092	0.867	0.256	0.256	0.772	0.772	0.861	0.861	0.099	0.099	0.32	0.32	0.231	0.231
Llama 2026.04		0.331	1.55	1.033	0.304	0.864	0.496	0.289	0.289	0.842	0.842	0.722	0.722	0.181	0.181	0.705	0.705	0.37	0.37
Mistral 2026.04		0.228	0.724	0.696	0.156	0.37	0.319	0.08	0.08	0.585	0.585	0.627	0.627	0.051	0.051	0.317	0.317	0.502	0.502
C. Haiku 2026.04		0.176	0.174	0.042	0.034	0.105	0.483	0.151	0.151	0.316	0.316	0.11	0.11	0.324	0.324	0.393	0.393	0.969	0.969