CBT conversation generation on EmoLLM (test) benchmark leaderboard · SOTA2 Research

CBT conversation generation on EmoLLM (test)

0.91Bert ScoreDeepseek V3 671B

Evaluation Results

Method	Links
Deepseek V3 671B2026.02		0.91	0.41	52	0.7	0.39	0.47
CBT-BENCH 7B2026.02		0.91	0.4	27	0.65	0.19	0.31
Alpaca 7B2026.02		0.91	0.41	27	0.61	0.29	0.48
SIF 7B2026.02		0.91	0.41	47	0.69	0.32	0.41
SoulChat 7B2026.02		0.9	0.41	25	0.65	0.25	0.39
Llama 7B2026.02		0.9	0.41	32	0.66	0.27	0.46
Qwen2 7B2026.02		0.9	0.41	46	0.67	0.3	0.41
Deepseek R1 671B2026.02		0.89	0.38	56	0.66	0.33	0.41
CBT-LLM 7B2026.02		0.89	0.41	12	0.58	0.13	0.26
Chatglm 7B2026.02		0.89	0.4	45	0.65	0.25	0.35
Deepseek R1 671B2026.02		0.69	0.45	57	0.06	0.35	0.26
Deepseek V3 671B2026.02		0.69	0.32	63	0.08	0.33	0.27
SIF 7B2026.02		0.68	0.28	58	0.08	0.3	0.25
Qwen2 7B2026.02		0.67	0.21	56	0.08	0.27	0.23
CBT-BENCH 7B2026.02		0.65	-0.28	59	0.08	0.16	0.18
Chatglm 7B2026.02		0.65	-0.32	48	0.08	0.13	0.17
SoulChat 7B2026.02		0.64	-0.1	55	0.06	0.15	0.14
CBT-LLM 7B2026.02		0.63	-1.04	27	0.07	0.04	0.1
Llama 7B2026.02		0.62	-0.67	36	0.06	0.08	0.13
Alpaca 7B2026.02		0.58	-0.91	25	0.05	0.05	0.12