模型评测记录
透明的审计轨迹。
未来公开评测记录会连接模型身份、案例身份、执行语境、Tutor 回复、评估器证据和经过清理的运行指标。
- 公开评测记录
- 0
- 尚无已发布运行
- 公开模型档案
- 0
- 预留
- 公开案例
- 48
- tutor-eval-v0.2a
- 评测记录发布
- 不可用
- 公开产物状态
共享证据,
改进教学。
审计 ledger
没有公开产物,就没有记录行。
未来每一行都将是一条可寻址的证据记录。当前 ledger 有意保持为空。
| 评测记录 ID | 模型 ID | 案例 ID | 运行索引 | 证据状态 |
|---|---|---|---|---|
目前暂无公开评测记录。 目前尚无公开模型评测记录。 公开模型运行发布后再来查看。 | ||||
该台账只公开评测记录摘要身份契约:id、modelId、caseId 和 runIndex。
未来评测记录结构
一条评测记录包含什么。
这些类别来自当前公开评测记录字段契约,而不是某次模型运行。
- 1身份与执行
让一次运行可被准确寻址的版本化身份。
model模型身份modelVersion模型版本datasetVersion数据集版本caseVersion案例版本runIndex运行索引
- 2生成可追踪性
复现生成所需的配置引用。
generationSpecId生成规格 IDgenerationSpecVersion生成规格版本promptVersionPrompt 版本promptSha256Prompt SHA-256
- 3Tutor 证据
该案例完整的公开 Tutor 回复。
tutorResponseTutor 回复
- 4评测证据
与回复关联的维度结果和失败证据。
correctness正确性diagnosis诊断能力guidance引导能力adaptation适应能力actionability可执行性rubricResults评分标准结果criticalFailures严重失败answerLeakage答案泄露
- 5Judge 证据
发布时包含评估器身份与 prompt 版本。
judgeJudgejudgePromptVersionJudge prompt 版本
- 6运行指标
经过清理的运行信号与教学评分保持分离。
tokenstoken 数latency延迟cost成本
可追踪链
从基准走向证据。
评测记录与模型档案、排行榜资格保持分离。未来记录会连接这些阶段,但不会暗示排名或教学有效性主张。
- 基准版本未来公开证据
- 模型身份未来公开证据
- 评测记录未来公开证据
- 案例未来公开证据
- Tutor 回复未来公开证据
- 评测证据未来公开证据
- 清理后的指标未来公开证据
边界清晰的公开证据
可以追踪的证据。
未来公开结果应始终能够追踪到版本化案例、模型身份以及支撑每项主张的证据。