同为 7/8，错误样本却不同：Agent Grader 分歧复算

作者用三个任务、每个三次尝试的九行记录复算了两种判定规则：只看状态的硬规则误放行了 policy/2，叠加评分的组合规则误拒绝了 export/1；两者一致率同为 7/8，但错误样本互不相同。 复算还发现，不确定的参考样本 policy/1 未计入一致率分母，参考覆盖率为 8/9，作者称该指标须与一致率同时报告，否则单一总分掩盖分歧结构。 作者据此建议保留逐行结果与不确定记录，并区分“至少一次成功”与“三次全部成功”两种分母，避免单一分数掩盖规则间的分歧。

AI 根据报道生成 · 52 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。