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

Sycophancy Evaluation on Sycophancy Evaluation Factual

0.1124PSS

Llama-3

Updated 11d ago

Evaluation Results

Method	Links
Llama-3 2026.04		0.1124	0.0941	0.3073	0.0218
Llama-3 2026.04		0.0714	0.1203	0.3847	0
Mistral-7B 2026.04		0.0491	0.0873	0.2914	0.0403
Gemma-2 2026.04		0.0374	0.1047	0.3312	0.0271
Mistral-7B 2026.04		0.0318	0.1187	0.3841	0
Llama-3.1 2026.04		0.0312	0.1821	0.4214	0
Llama-3.1 2026.04		0.0297	0.0907	0.3	0
Gemma-2 2026.04		0.0241	0.1394	0.4218	0
DS-Math 2026.04		0.0187	0.1241	0.3814	0
Qwen3 2026.04		0.0161	0.1407	0.4516	0
Qwen3 2026.04		0.0147	0.1631	0.4893	0
DS-R1 2026.04		0.0143	0.1318	0.4027	0
DS-Math 2026.04		0.0124	0.1487	0.4312	0
DS-R1 2026.04		0.0098	0.1574	0.4618	0