Behavioral Prediction on Big Five (participant-level) benchmark leaderboard · SOTA2 Research

Behavioral Prediction on Big Five (participant-level)

0.48MeanLBM-2

Evaluation Results

Method	Links
LBM-22026.02		0.48	—	—	—	0.018	0.443	0.467	0.479	0.492	0.515
Claude 4.5 Sonnet2026.02		0.463	—	—	—	0.016	0.432	0.452	0.464	0.474	0.494
Grok 42026.02		0.454	—	—	—	0.018	0.421	0.442	0.454	0.467	0.49
DeepSeek V32026.02		0.44	—	—	—	0.017	0.408	0.428	0.44	0.452	0.474
GPT-5 Mini2026.02		0.434	—	—	—	0.018	0.401	0.421	0.434	0.446	0.47
GPT-4o Mini2026.02		0.431	—	—	—	0.018	0.397	0.418	0.431	0.443	0.467
Llama 3.1 8B2026.02		0.425	—	—	—	0.018	0.392	0.413	0.425	0.437	0.461
LBM-22026.02		0.31	—	—	—	0.02	0.275	0.296	0.309	0.323	0.353
Claude 4.5 Sonnet2026.02		0.307	—	—	—	0.018	0.274	0.295	0.307	0.319	0.344
Grok 42026.02		0.289	—	—	—	0.016	0.259	0.278	0.289	0.3	0.322
DeepSeek V32026.02		0.279	—	—	—	0.016	0.25	0.268	0.279	0.29	0.312
GPT-5 Mini2026.02		0.273	—	—	—	0.016	0.243	0.262	0.273	0.284	0.306
GPT-4o Mini2026.02		0.27	—	—	—	0.016	0.241	0.259	0.27	0.281	0.302
LBM-22026.02		0.256	—	—	—	0.021	0.217	0.241	0.256	0.27	0.296
Claude 4.5 Sonnet2026.02		0.25	—	—	—	0.021	0.212	0.235	0.25	0.265	0.29
Llama 3.1 8B2026.02		0.24	—	—	—	0.011	0.218	0.232	0.24	0.247	0.263
Grok 42026.02		0.227	—	—	—	0.02	0.191	0.214	0.227	0.24	0.266
DeepSeek V32026.02		0.206	—	—	—	0.018	0.175	0.194	0.206	0.218	0.242
GPT-5 Mini2026.02		0.199	—	—	—	0.018	0.167	0.187	0.199	0.211	0.236
GPT-4o Mini2026.02		0.195	—	—	—	0.018	0.164	0.183	0.195	0.207	0.231
Llama 3.1 8B2026.02		0.163	—	—	—	0.009	0.147	0.158	0.164	0.17	0.181