H2 Assessment on HONEST benchmark leaderboard · SOTA2 Research

H2 Assessment on HONEST

0.552Count (1-3 Poor)Mistral-7b

Evaluation Results

Method	Links
Mistral-7b2024.06		0.552	0.204	0.244	3.885	—
Llama2-7b2024.06		0.429	0.191	0.38	4.877	—
Llama2-13b2024.06		0.427	0.19	0.384	4.89	—
Llama2-70b2024.06		0.394	0.197	0.409	5.068	—
ChatGPT2024.06		0.385	0.201	0.414	5.098	—
Mixtral-8x7b2024.06		0.314	0.181	0.505	5.693	—
Llama3-70b2024.06		0.253	0.208	0.539	6.128	—
Llama2-13b2024.06		0.249	0.221	0.53	5.961	21.9
Llama2-7b2024.06		0.232	0.172	0.596	6.203	27.2
Mistral-7b2024.06		0.217	0.275	0.508	6.046	55.6
Llama2-70b2024.06		0.21	0.148	0.642	6.447	27.2
Claude3-Opus2024.06		0.144	0.17	0.686	7.061	—
ChatGPT2024.06		0.111	0.269	0.62	6.77	32.8
Llama3-70b2024.06		0.042	0.145	0.813	7.783	27
Mixtral-8x7b2024.06		0.028	0.155	0.817	7.626	34
GPT42024.06		0.025	0.101	0.876	8.094	—
Claude3-Opus2024.06		0.009	0.092	0.899	8.244	16.8
GPT42024.06		0.001	0.025	0.973	8.604	6.3