工作台 / 评测评测台
EVALUATION / 03
先测系统，再相信答案。
用固定问题集比较单模型、同模型四角色和跨模型四席。没有真实数据时不展示推测结果。
当前基线尚未运行评测
未来真实评测会记录准确率、遗漏、延迟、Token、成本与 Provider 失败率。
指标快速标准严谨
事实准确率———
验证覆盖率———
平均耗时———
平均模型调用———
Mock 只验证工作流行为，不代表真实模型效果。去新建审议
EVALUATION / 03
用固定问题集比较单模型、同模型四角色和跨模型四席。没有真实数据时不展示推测结果。
未来真实评测会记录准确率、遗漏、延迟、Token、成本与 Provider 失败率。