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

Sycophancy Evaluation on Sycophancy Evaluation Dataset

0.123Total Sycophancy Score

mistral:7b

Updated 1mo ago

Evaluation Results

Method	Links
mistral:7b 2025.08		0.123	0.007	0.172
claude-haiku-4-5 2025.08		0.152	0.083	0.069
claude-haiku-4-5 2025.08		0.152	0.083	0.069
mistral:7b 2025.08		0.171	0.025	0.205
claude-haiku-4-5 2025.08		0.176	0.061	0.115
claude-haiku-4-5 2025.08		0.176	0.061	0.115
phi4:14b 2025.08		0.294	0.183	0.201
phi4:14b 2025.08		0.315	0.188	0.189
BayesDPO 2025.08		0.341	0.178	0.16
BayesDPO 2025.08		0.344	0.178	0.161
gpt-4o-mini 2025.08		0.398	0.323	0.075
gpt-4o-mini 2025.08		0.402	0.328	0.075
phi4:14b 2025.08		0.407	0.21	0.163
phi4:14b 2025.08		0.429	0.217	0.175
llama3.2:3b 2025.08		0.445	-0.078	0.52
llama3.2:3b 2025.08		0.448	-0.078	0.523
llama3.2:1b 2025.08		0.489	0.165	0.333
llama3.2:1b 2025.08		0.505	0.17	0.35
llama3.2:3b 2025.08		0.545	-0.073	0.613
llama3.2:3b 2025.08		0.551	-0.079	0.624
gpt-4o-mini 2025.08		0.558	0.48	0.079
gpt-4o-mini 2025.08		0.558	0.48	0.079
mistral:7b 2025.08		0.641	0.264	0.351
mistral:7b 2025.08		0.651	0.308	0.34
BayesDPO 2025.08		0.696	0.294	0.408
BayesDPO 2025.08		0.696	0.294	0.406
BayesSFT 2025.08		0.772	0.565	0.211
BayesSFT 2025.08		0.774	0.564	0.217
BayesSFT 2025.08		0.776	0.657	0.12
BayesSFT 2025.08		0.787	0.665	0.114
llama3.2:1b 2025.08		1.15	-0.05	1.165
llama3.2:1b 2025.08		1.161	-0.042	1.163