КОНТРОЛЬ КАЧЕСТВА
Обзор
Загружаем прогоны…
Требуют внимания
Технические ошибки, нарушения и ручная проверка
Подробные метрики качества
LLM и ручная корректировка статуса по существующей политике. GTSR всегда имеет знаменатель 40. Пороги фактов и полезности рассчитаны на полный основной набор.
Алгоритм и итоговые оценки
Алгоритм проверяет точные факты. Только его CRITICAL меняет combined-статус. Ручной статус имеет приоритет. Число review flags само по себе не измеряет качество агента.
Скорость ответа и версии
Время оцениваемых запросов агента; setup и вызовы судьи не входят.
История прогонов
Что изменилось
Базовый → новыйВыберите два разных прогона. Повторы сравниваются отдельно.
FROZEN SUITE · V1.1
59 оцениваемых ответов
40 основных · 16 повторов · 3 Web Search
8 компаний, 27 диалогов. Определения кейсов и эталоны зафиксированы.