Pronoun Prediction Calibration on GenderLex benchmark leaderboard · SOTA2 Research

Pronoun Prediction Calibration on GenderLex

0.076ECEGPT-J-6B

Evaluation Results

Method	Links
GPT-J-6B2026.01		0.076	0.453	0.374	0.432	0.076	0.085	0.066	0.715
DeepSeek-8B2026.01		0.085	0.461	0.369	0.47	0.09	0.074	0.106	0.686
Qwen2.5-7B2026.01		0.106	0.476	0.422	0.385	0.107	0.052	0.162	0.637
Llama-3.1-8B2026.01		0.111	0.466	0.371	0.446	0.111	0.112	0.109	0.727
Falcon3-7B2026.01		0.161	0.491	0.449	0.356	0.149	0.081	0.217	0.605
Gemma-2-9B2026.01		0.327	0.493	0.39	0.559	0.267	0.33	0.204	0.617