行业与实践 · 研究与基准测试

研究与基准测试/2026-09-16/10 分钟

测试集宏平均 F1 为 0.615：阿里参与的基准用淘宝行为核验消费价值

5440 段淘宝购买过程，测试集 544 段由专家从零标注。B2V-Verifier 宏平均 F1 0.615，基线最高是 GPT-5 的 0.417。引言写的大约 34% 没有落到表上的某一格。