Bias Evaluation on Task 2 Persona D
0.007BAD ScoreDeepSeek-R1
Evaluation results
| Method | Links | |
|---|---|---|
| DeepSeek-R1Prompt=P42026.03 | 0.007 | |
| DeepSeek-R1Prompt=P52026.03 | 0.009 | |
| LLaMA-4Prompt=P42026.03 | 0.01 | |
| LLaMA-4Prompt=P32026.03 | 0.018 | |
| LLaMA-4Prompt=P52026.03 | 0.02 | |
| Gemma-3n E4BPrompt=P22026.03 | 0.023 | |
| Claude 4.o SonnetPrompt=P12026.03 | 0.034 | |
| LLaMA-4Prompt=P22026.03 | 0.037 | |
| GPT-4oPrompt=P32026.03 | 0.038 | |
| DeepSeek-R1Prompt=P22026.03 | 0.04 | |
| Gemma-3n E4BPrompt=P32026.03 | 0.041 | |
| Claude 4.o SonnetPrompt=P42026.03 | 0.051 | |
| GPT-4oPrompt=P22026.03 | 0.063 | |
| Claude 4.o SonnetPrompt=P52026.03 | 0.063 | |
| Claude 4.o SonnetPrompt=P32026.03 | 0.065 | |
| Gemma-3n E4BPrompt=P52026.03 | 0.072 | |
| Gemma-3n E4BPrompt=P42026.03 | 0.076 | |
| LLaMA-4Prompt=P12026.03 | 0.077 | |
| Claude 4.o SonnetPrompt=P22026.03 | 0.077 | |
| Gemma-3n E4BPrompt=P12026.03 | 0.081 | |
| DeepSeek-R1Prompt=P32026.03 | 0.095 | |
| GPT-4oPrompt=P42026.03 | 0.129 | |
| GPT-4oPrompt=P52026.03 | 0.13 | |
| DeepSeek-R1Prompt=P12026.03 | 0.146 | |
| GPT-4oPrompt=P12026.03 | 0.153 |