Span-level uncertainty estimation on SPANUQ-BENCH v1.0 (test) benchmark leaderboard · SOTA2 Research

Span-level uncertainty estimation on SPANUQ-BENCH v1.0 (test)

0.944AUROCSPANUQ

Evaluation Results

Method	Links
SPANUQ2026.07		0.944	0.126	0.754
SPANUQ2026.07		0.939	0.11	0.685
SPANUQ2026.07		0.936	0.11	0.647
SPANUQ2026.07		0.93	0.129	0.692
SPANUQ2026.07		0.908	0.126	0.637
MLP Probe2026.07		0.893	0.12	0.575
MLP Probe2026.07		0.884	0.149	0.612
MLP Probe2026.07		0.881	0.139	0.575
MLP Probe2026.07		0.873	0.179	0.626
MLP Probe2026.07		0.863	0.146	0.562
SelfCheckGPT-NLI2026.07		0.816	0.154	0.499
SelfCheckGPT-NLI2026.07		0.813	0.147	0.455
SelfCheckGPT-NLI2026.07		0.808	0.158	0.471
SelfCheckGPT-NLI2026.07		0.801	0.182	0.473
SelfCheckGPT-NLI2026.07		0.782	0.215	0.479
FActScore2026.07		0.762	0.197	0.405
FActScore2026.07		0.714	0.233	0.39
FActScore2026.07		0.701	0.169	0.306
FActScore2026.07		0.661	0.182	0.297
FActScore2026.07		0.625	0.178	0.181
Token Entropy2026.07		0.603	0.23	0.097
Verbalized Conf.2026.07		0.598	0.167	0.117
Verbalized Conf.2026.07		0.595	0.267	0.141
Verbalized Conf.2026.07		0.593	0.187	0.131
Token Entropy2026.07		0.592	0.196	0.097
Token Entropy2026.07		0.58	0.226	0.111
Token Entropy2026.07		0.575	0.272	0.119
Verbalized Conf.2026.07		0.574	0.217	0.155
Token Entropy2026.07		0.569	0.231	0.109
P(True)2026.07		0.546	0.233	0.121
P(True)2026.07		0.541	0.194	0.123
P(True)2026.07		0.529	0.273	0.122
P(True)2026.07		0.526	0.197	0.087
P(True)2026.07		0.505	0.199	0.005
Verbalized Conf.2026.07		0.498	0.171	-0.026