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

Toxicity Evaluation on AttaQ 1402 prompts (test)

0.042Max Toxicity Score

RAD

Updated 4d ago

Evaluation Results

Method	Links
RAD 2026.01		0.042	0.034	11.31	0.1	-
RAD 2026.01		0.047	0.035	6.75	0.2	-
RAD 2026.01		0.074	0.051	3.29	0.6	-
RAD 2026.01		0.084	0.059	3.01	0.7	-
SASA 2026.01		0.086	0.057	7.24	1.4	-
TIDE 2026.01		0.086	0.067	2.51	0	1.07
RAD 2026.01		0.097	0.067	2.75	1.4	-
SASA 2026.01		0.111	0.075	3.67	2.6	-
RAD 2026.01		0.13	0.091	2.5	3.7	-
SASA 2026.01		0.14	0.098	2.5	4.9	-
SASA 2026.01		0.144	0.102	2.47	5.2	-
Base model 2026.01		0.148	0.106	2.49	5.8	-
SASA 2026.01		0.148	0.105	2.46	5.7	-
SASA 2026.01		0.155	0.109	2.45	6.2	-