Agent Discrimination on ESConv, P4G, and DuRecDial benchmark leaderboard · SOTA2 Research

Agent Discrimination on ESConv, P4G, and DuRecDial

0.237CTSLlama-4-Scout

Evaluation Results

Method	Links
Llama-4-Scout2026.06		0.237	-0.012	0.441	0.367	0.328	0.78	0.216	0.322	0.238	38.2	72.7	84	66	68
Qwen3.7-Plus2026.06		0.236	-0.023	0.472	0.346	0.315	0.493	0.219	0.402	0.261	36.2	79.3	90	68	80
Llama-4-Scout2026.06		0.233	-0.006	0.43	0.354	0.32	0.637	0.158	0.277	0.27	37.1	68.7	79	66	61
Qwen3.7-Plus2026.06		0.22	-0.024	0.407	0.358	0.339	0.198	0.191	0.409	0.353	38	78	80	79	75
Claude-Opus-4.72026.06		0.219	-0.01	0.391	0.352	0.311	0.31	0.161	0.305	0.25	36.4	73.3	87	67	66
GPT-5.52026.06		0.209	-0.022	0.405	0.322	0.289	0.38	0.197	0.332	0.19	35.1	74.7	84	82	58
Claude-Opus-4.72026.06		0.2	-0.03	0.382	0.323	0.303	0.248	0.195	0.398	0.177	34.8	66	70	58	70
DeepSeek-V4-Pro2026.06		0.199	-0.026	0.364	0.336	0.302	0.272	0.182	0.394	0.233	35.3	70.7	83	59	70
DeepSeek-V4-Pro2026.06		0.198	-0.035	0.382	0.325	0.288	0.373	0.228	0.293	0.127	35.6	72	84	61	71
GPT-5.52026.06		0.185	-0.035	0.349	0.316	0.268	0.365	0.13	0.241	0.173	35.4	68.7	80	68	58
Gemini-3-Pro2026.06		0.153	-0.045	0.292	0.278	0.204	0.453	0.11	0.194	0.113	30.7	47.3	70	20	52
Gemini-3-Pro2026.06		0.14	-0.065	0.278	0.276	0.23	0.618	0.104	0.078	0.153	30.4	44.7	54	19	61