List your company

Alignment Faking Rate Measurement on SORRY-BENCH

0.9Alignment Faking RateG
-0.72410.23821.232.162Oct 10, 2025Nov 11, 2025Dec 13, 2025Jan 15, 2026Feb 16, 2026Mar 20, 2026Apr 22, 2026

Evaluation results

MethodLinks
GBase model=gpt-oss-20b2025.100.9—
MIBase model=gpt-oss-20b2025.100.9—
ACTADDModel=olmo2-13b-it2026.041.894
LATModel=olmo2-13b-it2026.044.285.8
SafetyGameBase model=llama-2-7b2025.105.1—
ACTADDModel=olmo2-7b-it2026.045.385.8
PROMPTINGModel=olmo2-13b-it2026.0411.362.1
SCBase model=gpt-oss-20b2025.1011.3—
LATModel=olmo2-7b-it2026.0413.364.2
SafetyGameBase model=llama-2-13b2025.1014.2—
SafetyGameBase model=llama-3.1-8b2025.1016.7—
LATModel=qwen3-8b2026.0416.859.9
ACTADDModel=qwen3-8b2026.0417.757.7
PROMPTINGModel=olmo2-7b-it2026.0418.550.3
ER-GBase model=gpt-oss-20b2025.1020.7—
ER-GBase model=llama-3.2-1b2025.1022—
SafetyGameBase model=gpt-oss-20b2025.1022.3—
ER-DBase model=llama-3.2-1b2025.1024.5—
ACTADDModel=qwen3-14b2026.0426.121.4
DBase model=llama-3.2-1b2025.1026.3—
SCBase model=llama-2-7b2025.1027.2—
MIBase model=llama-3.2-1b2025.1027.3—
LATModel=qwen3-14b2026.0427.417.5
PROMPTINGModel=qwen3-8b2026.0427.534.4
GBase model=llama-3.2-1b2025.1027.6—
SCBase model=llama-2-13b2025.1029.5—
ER-DBase model=gpt-oss-20b2025.1030.1—
ER-GBase model=llama-3.1-8b2025.1030.4—
MIBase model=llama-2-7b2025.1030.7—
GBase model=llama-2-7b2025.1030.8—
ER-DBase model=llama-3.1-8b2025.1030.9—
DBase model=gpt-oss-20b2025.1031—
ER-GBase model=llama-2-7b2025.1031.2—
SCBase model=llama-3.2-1b2025.1031.2—
DBase model=llama-2-7b2025.1031.6—
ER-DBase model=llama-2-7b2025.1031.6—
SCBase model=llama-3.1-8b2025.1032.3—
DBase model=llama-2-13b2025.1032.8—
GBase model=llama-3.1-8b2025.1032.9—
MIBase model=llama-3.1-8b2025.1032.9—
DBase model=llama-3.1-8b2025.1033.2—
GBase model=llama-2-13b2025.1033.5—
MIBase model=llama-2-13b2025.1033.5—
ER-DBase model=llama-2-13b2025.1033.5—
ER-GBase model=llama-2-13b2025.1035.6—
SafetyGameBase model=llama-3.2-1b2025.1041.5—