Sycophancy Evaluation on DebateQA benchmark leaderboard · SOTA2 Research

Sycophancy Evaluation on DebateQA

0.481S (PD, L)C. Opus

Evaluation Results

Method	Links
C. Opus2026.04		0.481	0.793	0.501	0.262	0.278	0.232	0.573	0.573	0.813	0.813	1.388	1.388	0.211	0.211	0.034	0.034	0.32	0.32
C. Sonnet2026.04		0.428	0.85	1.179	0.17	0.049	0.53	0.498	0.498	0.915	0.915	1.473	1.473	0.074	0.074	0.096	0.096	0.289	0.289
Gemma2026.04		0.361	1.194	1.273	0.619	1.092	0.867	0.256	0.256	0.772	0.772	0.861	0.861	0.099	0.099	0.32	0.32	0.231	0.231
Llama2026.04		0.331	1.55	1.033	0.304	0.864	0.496	0.289	0.289	0.842	0.842	0.722	0.722	0.181	0.181	0.705	0.705	0.37	0.37
Mistral2026.04		0.228	0.724	0.696	0.156	0.37	0.319	0.08	0.08	0.585	0.585	0.627	0.627	0.051	0.051	0.317	0.317	0.502	0.502
C. Haiku2026.04		0.176	0.174	0.042	0.034	0.105	0.483	0.151	0.151	0.316	0.316	0.11	0.11	0.324	0.324	0.393	0.393	0.969	0.969