Dialogue Generation on NEGOTIATIONTOM N=100 benchmark leaderboard · SOTA2 Research

Dialogue Generation on NEGOTIATIONTOM N=100

0.751ToM (Llama-3.3-70B)COSTOM

Evaluation Results

Method	Links
COSTOM2026.04		0.751	0.842	0.835	0.511	0.528	0.651	0.565	0.71	0.68
COSTOM2026.04		0.499	0.629	0.598	0.467	0.524	0.571	0.485	0.58	0.595
LatentQA2026.04		0.44	0.608	0.537	0.23	0.298	0.29	0.28	0.35	0.32
MindDial (Fine-tuned)2026.04		0.405	0.578	0.452	0.348	0.542	0.507	0.36	0.545	0.515
MindDial (prompt)2026.04		0.306	0.575	0.44	0.279	0.528	0.464	0.275	0.51	0.475
Full-Layer LoRA2026.04		0.245	0.511	0.467	0.297	0.542	0.576	0.31	0.535	0.56
LatentQA2026.04		0.221	0.359	0.271	0.155	0.326	0.302	0.185	0.34	0.315
Full-Layer LoRA2026.04		0.153	0.469	0.413	0.237	0.499	0.505	0.235	0.505	0.515
MindDial (Fine-tuned)2026.04		0.149	0.511	0.395	0.184	0.492	0.485	0.19	0.5	0.48
MindDial (prompt)2026.04		0.118	0.438	0.287	0.176	0.441	0.4	0.16	0.45	0.42
Zero-shot Baseline2026.04		0.081	0.315	0.294	0.179	0.441	0.472	0.165	0.43	0.46
Zero-shot Baseline2026.04		0.017	0.325	0.277	0.164	0.438	0.468	0.14	0.445	0.45